Bij 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.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenBij 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.
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.
Een classificeerder is een model of methode die invoer toewijst aan een van meerdere vooraf bepaalde categorieën. Klassieke varianten zoals beslisbomen of naive Bayes worden getraind op gelabelde voorbeelden; taalmodellen kunnen teksten ook sorteren aan de hand van een beschrijving van de categorieën. Typische toepassingen zijn spamdetectie, het sorteren van klantvragen op onderwerp en het categoriseren van bonnen. De kwaliteit wordt gemeten met maten zoals nauwkeurigheid, precisie en recall.
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.
