Semigesuperviseerd leren combineert een kleine hoeveelheid gelabelde gegevens met een grote hoeveelheid ongelabelde gegevens. Het model leert eerst van de weinige voorbeelden met bekende antwoorden en gebruikt daarna patronen in de overige gegevens om te verbeteren – bijvoorbeeld door zekere voorspellingen als extra trainingsvoorbeelden over te nemen. Dit loont wanneer labelen duur is, zoals bij medische beelden of duizenden supporttickets.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenBij gesuperviseerd leren leert een model van voorbeelden waarvan het juiste antwoord al bekend is, zoals e-mails die als “spam” of “geen spam” zijn gelabeld. Daaruit leidt het regels af om nieuwe, onbekende gevallen te classificeren of waarden te voorspellen. Typische taken zijn classificatie en regressie; het meeste werk zit in het maken van zuiver gelabelde gegevens.
Bij niet-gesuperviseerd leren krijgt een model gegevens zonder vooraf bepaalde juiste antwoorden en zoekt het zelf naar structuren. Typische methoden zijn clustering, dat vergelijkbare records groepeert, en dimensiereductie, die veel features terugbrengt tot een paar essentiële. Organisaties gebruiken het om klantsegmenten te ontdekken of ongebruikelijke transacties op te sporen; de gevonden groepen moeten daarna door vakexperts worden geïnterpreteerd.
Dataschaarste ontstaat wanneer er te weinig geschikte of gelabelde data is om een model voor een AI-taak betrouwbaar te trainen of te testen. Dit speelt bijvoorbeeld bij zeldzame defecttypen in de productie, niche-talen of nieuwe producten zonder verkoopgeschiedenis. Oplossingen zijn onder meer transfer learning, synthetische data, data-augmentatie of vooraf getrainde taalmodellen die met slechts enkele voorbeelden bruikbare resultaten leveren.
Trainingsgegevens zijn de voorbeelden waaruit een AI-model patronen leert: grote tekstverzamelingen voor taalmodellen, gelabelde afbeeldingen voor beeldmodellen. Hun kwaliteit, diversiteit en actualiteit bepalen grotendeels hoe betrouwbaar en eerlijk een model is en hoe actueel zijn kennis zal zijn. Voor organisaties is ook van belang of een aanbieder de klantgegevens die zij invoeren voor verdere training gebruikt.
