Semi-supervised learning kombinerer en lille mængde mærkede data med en stor mængde umærkede data. Modellen lærer først af de få eksempler med kendte svar og bruger derefter mønstre i de øvrige data til at forbedre sig – f.eks. ved at overtage sikre forudsigelser som yderligere træningseksempler. Det betaler sig, når mærkning er dyr, f.eks. ved medicinske billeder eller tusindvis af supporthenvendelser.
Ved supervised learning lærer en model af eksempler, hvor det rigtige svar allerede er kendt, f.eks. e-mails mærket »spam« eller »ikke spam«. Ud fra dem udleder den regler til at klassificere nye, usete tilfælde eller forudsige værdier. Typiske opgaver er klassifikation og regression; det meste af indsatsen går med at skabe rent mærkede data.
Ved unsupervised learning får en model data uden foruddefinerede rigtige svar og leder selv efter strukturer. Typiske metoder er clustering, som grupperer ensartede datasæt, og dimensionsreduktion, som komprimerer mange features til nogle få væsentlige. Organisationer bruger det til at opdage kundesegmenter eller spotte usædvanlige transaktioner; de fundne grupper skal derefter fortolkes af fagfolk.
Datamangel opstår, når der er for få egnede eller mærkede data til, at en AI-opgave kan træne eller teste en model pålideligt. Det rammer f.eks. sjældne fejltyper i produktionen, nichesprog eller nye produkter uden salgshistorik. Afhjælpning kan være transfer learning, syntetiske data, dataforøgelse (data augmentation) eller fortrænede sprogmodeller, der giver brugbare resultater ud fra blot få eksempler.
Træningsdata er de eksempler, som en AI-model lærer mønstre af: store tekstsamlinger til sprogmodeller, mærkede billeder til billedmodeller. Deres kvalitet, mangfoldighed og aktualitet er i høj grad afgørende for, hvor pålidelig og fair en model er, og hvor opdateret dens viden bliver. For organisationer er det også vigtigt, om en udbyder bruger de kundedata, der indtastes, til yderligere træning.
