Diskriminatiiviset mallit oppivat erottamaan datapisteet toisistaan määrittämällä suoraan luokkien välisen rajan – ne vastaavat kysymykseen ”Mihin luokkaan tämä syöte kuuluu?”. Esimerkkejä ovat logistinen regressio, tukivektorikoneet ja monet neuroverkkoluokittelijat, esimerkiksi roskapostin tunnistukseen. Generatiiviset mallit sen sijaan mallintavat, miten data itse syntyy, ja voivat siksi tuottaa uusia esimerkkejä.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoGeneratiivinen tekoäly tarkoittaa tekoälyjärjestelmiä, jotka luovat uutta sisältöä – tekstiä, kuvia, ääntä, videota tai ohjelmakoodia – sen sijaan, että ne vain lajittelisivat tai arvioisivat olemassa olevaa dataa. Ne perustuvat malleihin, jotka oppivat kuvioita suurista datamääristä ja käyttävät niitä uskottavien uusien tulosteiden tuottamiseen. Liiketoiminnassa sitä käytetään esimerkiksi sähköpostien, tiivistelmien, tuotekuvausten tai kuvaideoiden luonnosteluun. Tulokset voivat sisältää virheitä, ja ne tulee tarkistaa ennen käyttöä.
Logistinen regressio on tilastollinen menetelmä, joka ennustaa todennäköisyyden toiselle kahdesta lopputuloksesta, kuten ”ostaa” tai ”ei osta”. Se painottaa syötepiirteitä ja muuntaa niiden summan arvoksi nollan ja yhden väliltä S-muotoisella funktiolla. Koska painot on helppo tulkita, sitä käytetään laajasti luottopisteytyksessä, lääketieteessä ja markkinoinnissa, usein vankkana lähtötasona monimutkaisemmille malleille.
Luokittelija on malli tai menetelmä, joka osoittaa syötteet johonkin useista ennalta määritellyistä luokista. Klassiset muunnelmat, kuten päätöspuut tai naiivi Bayes, koulutetaan merkityillä esimerkeillä; kielimallit voivat myös lajitella tekstejä luokkien kuvauksen perusteella. Tyypillisiä käyttötarkoituksia ovat roskapostin tunnistus, asiakaskyselyiden lajittelu aiheen mukaan ja kuittien luokittelu. Laatua mitataan mittareilla, kuten osuvuudella, tarkkuudella ja saannilla.
Naiivi Bayes on joukko yksinkertaisia luokittelumenetelmiä, jotka perustuvat Bayesin kaavaan. Niitä kutsutaan ”naiiveiksi”, koska ne olettavat kaikkien piirteiden olevan toisistaan riippumattomia, mikä on harvoin totta käytännössä mutta tuottaa silti usein hyviä tuloksia. Menetelmät ovat nopeita, tarvitsevat vähän opetusdataa ja sopivat erityisen hyvin tekstille. Klassinen esimerkki on roskapostisuodatin, joka lajittelee sähköpostit tyypillisten sanojen perusteella.
