A félig felügyelt tanulás kis mennyiségű címkézett adatot kombinál nagy mennyiségű címkézetlen adattal. A modell először az ismert válaszú kevés példából tanul, majd a többi adat mintáit használja a fejlődéshez – például a magabiztos előrejelzéseket további tanítópéldaként veszi át. Ez akkor térül meg, ha a címkézés drága, például orvosi képeknél vagy több ezer támogatási jegynél.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA felügyelt tanulásban a modell olyan példákból tanul, amelyekhez a helyes válasz már ismert, például „spam” vagy „nem spam” címkével ellátott e-mailekből. Ezekből szabályokat vezet le új, ismeretlen esetek osztályozásához vagy értékek előrejelzéséhez. Tipikus feladatok az osztályozás és a regresszió; az erőfeszítés nagy része a tisztán címkézett adatok előállítására megy el.
A felügyelet nélküli tanulásban a modell előre meghatározott helyes válaszok nélküli adatokat kap, és maga keres bennük struktúrákat. Tipikus módszerek a klaszterezés, amely a hasonló rekordokat csoportosítja, és a dimenziócsökkentés, amely sok jellemzőt néhány lényegesre sűrít. A szervezetek ügyfélszegmensek felfedezésére vagy szokatlan tranzakciók kiszűrésére használják; a talált csoportokat ezután szakterületi szakértőknek kell értelmezniük.
Adathiányról akkor beszélünk, ha egy MI-feladathoz túl kevés megfelelő vagy címkézett adat áll rendelkezésre ahhoz, hogy a modell megbízhatóan betanítható vagy tesztelhető legyen. Érinti például a ritka gyártási hibatípusokat, a kisebb nyelveket vagy az értékesítési előzmények nélküli új termékeket. Megoldást jelentenek a transzfertanulás, a szintetikus adatok, az adatbővítés vagy az előre betanított nyelvi modellek, amelyek néhány példából is használható eredményt adnak.
A tanítóadatok azok a példák, amelyekből egy MI-modell mintákat tanul: nagy szöveggyűjtemények a nyelvi modellekhez, címkézett képek a képi modellekhez. Minőségük, sokféleségük és aktualitásuk nagyban meghatározza, mennyire megbízható és igazságos egy modell, és mennyire naprakész a tudása. A szervezetek számára az is számít, hogy a szolgáltató a megadott ügyféladatokat felhasználja-e további tanításhoz.
