Glossaire

Apprentissage semi-supervisé

Qu’est-ce que Apprentissage semi-supervisé ?

L'apprentissage semi-supervisé combine une petite quantité de données étiquetées avec une grande quantité de données non étiquetées. Le modèle apprend d'abord à partir des quelques exemples dont la réponse est connue, puis exploite les régularités des autres données pour progresser, par exemple en reprenant ses prédictions les plus sûres comme exemples supplémentaires. C'est intéressant lorsque l'étiquetage coûte cher, comme pour des images médicales ou des milliers de tickets de support.

Thèmes

méthode d'apprentissage
données d'entraînement
apprentissage automatique

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Apprentissage supervisé

En apprentissage supervisé, un modèle apprend à partir d'exemples dont la bonne réponse est déjà connue, par exemple des e-mails étiquetés « spam » ou « non spam ». Il en déduit des règles pour classer de nouveaux cas ou prédire des valeurs. Les tâches typiques sont la classification et la régression ; l'essentiel de l'effort consiste à produire des données correctement annotées.

Machine learning
Entraînement
+1

Apprentissage non supervisé

En apprentissage non supervisé, un modèle reçoit des données sans réponses correctes prédéfinies et recherche lui-même des structures. Les méthodes typiques sont le clustering, qui regroupe les enregistrements similaires, et la réduction de dimension, qui condense de nombreuses variables en quelques-unes essentielles. Les entreprises s'en servent pour découvrir des segments de clientèle ou repérer des transactions inhabituelles ; les groupes obtenus doivent ensuite être interprétés par des experts métier.

Machine learning
Clustering
+1

Pénurie de données

On parle de pénurie de données lorsqu'une tâche d'IA ne dispose pas d'assez de données adaptées ou annotées pour entraîner ou tester un modèle de manière fiable. C'est le cas par exemple pour des défauts rares en production, des langues peu répandues ou de nouveaux produits sans historique de ventes. Parmi les solutions : l'apprentissage par transfert, les données synthétiques, l'augmentation de données ou des modèles de langage pré-entraînés qui donnent des résultats utiles avec peu d'exemples.

données d'entraînement
qualité des données
+1

Données d'entraînement

Les données d'entraînement sont les exemples à partir desquels un modèle d'IA apprend des régularités : de vastes corpus de textes pour les modèles de langage, des images annotées pour les modèles de vision. Leur qualité, leur diversité et leur actualité déterminent largement la fiabilité, l'équité et le niveau de connaissances d'un modèle. Pour une entreprise, il importe aussi de savoir si un fournisseur réutilise vos données clients pour l'entraînement.

Données
Entraînement
+1