Osittain ohjattu oppiminen yhdistää pienen määrän luokiteltua dataa suureen määrään luokittelematonta dataa. Malli oppii ensin harvoista esimerkeistä, joiden vastaukset tunnetaan, ja käyttää sitten muun datan säännönmukaisuuksia parantuakseen – esimerkiksi ottamalla varmat ennusteet lisäopetusesimerkeiksi. Tämä kannattaa, kun luokittelu on kallista, kuten lääketieteellisten kuvien tai tuhansien tukipyyntöjen kohdalla.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoOhjatussa oppimisessa malli oppii esimerkeistä, joiden oikea vastaus tunnetaan jo, kuten sähköposteista, jotka on merkitty ”roskaposti” tai ”ei roskaposti”. Niistä se johtaa sääntöjä, joilla uudet, ennen näkemättömät tapaukset luokitellaan tai arvoja ennustetaan. Tyypillisiä tehtäviä ovat luokittelu ja regressio; suurin osa työstä menee siistin luokitellun datan luomiseen.
Ohjaamattomassa oppimisessa malli saa dataa ilman ennalta määriteltyjä oikeita vastauksia ja etsii rakenteita itse. Tyypillisiä menetelmiä ovat klusterointi, joka ryhmittelee samankaltaisia tietueita, ja ulottuvuuksien vähentäminen, joka tiivistää monta piirrettä muutamaksi olennaiseksi. Organisaatiot käyttävät sitä asiakassegmenttien löytämiseen tai epätavallisten tapahtumien havaitsemiseen; löydetyt ryhmät on sen jälkeen annettava alan asiantuntijoiden tulkittaviksi.
Datan niukkuutta esiintyy, kun tekoälytehtävää varten ei ole riittävästi sopivaa tai merkittyä dataa mallin luotettavaan kouluttamiseen tai testaamiseen. Se koskee esimerkiksi tuotannon harvinaisia vikatyyppejä, pieniä kieliä tai uusia tuotteita, joilla ei ole myyntihistoriaa. Keinoja ovat siirto-oppiminen, synteettinen data, datan augmentointi sekä valmiiksi koulutetut kielimallit, jotka antavat hyödyllisiä tuloksia jo muutamalla esimerkillä.
Opetusdata ovat esimerkkejä, joista tekoälymalli oppii säännönmukaisuuksia: suuria tekstikokoelmia kielimalleille, luokiteltuja kuvia kuvamalleille. Niiden laatu, monipuolisuus ja ajantasaisuus määräävät pitkälti, kuinka luotettava ja oikeudenmukainen malli on ja kuinka ajan tasalla sen tietämys on. Organisaatioille on myös tärkeää, käyttääkö tarjoaja syöttämiään asiakastietoja jatko-opetukseen.
