Modele dyskryminacyjne uczą się rozróżniać punkty danych, bezpośrednio wyznaczając granicę między klasami – odpowiadają na pytanie: „Do której kategorii należą te dane wejściowe?”. Przykłady to regresja logistyczna, maszyny wektorów nośnych i wiele klasyfikatorów neuronowych, na przykład do wykrywania spamu. Modele generatywne natomiast odwzorowują sposób powstawania samych danych i dzięki temu mogą tworzyć nowe przykłady.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoGeneratywna AI to systemy AI, które tworzą nowe treści – tekst, obrazy, dźwięk, wideo lub kod programu – zamiast jedynie sortować lub oceniać istniejące dane. Opierają się na modelach, które uczą się wzorców z dużych ilości danych i wykorzystują je do tworzenia wiarygodnie wyglądających nowych wyników. W biznesie służy na przykład do przygotowywania szkiców e-maili, streszczeń, opisów produktów czy pomysłów na obrazy. Wyniki mogą zawierać błędy i należy je sprawdzić przed użyciem.
Regresja logistyczna to metoda statystyczna, która przewiduje prawdopodobieństwo jednego z dwóch wyników, takich jak „kupuje” lub „nie kupuje”. Waży cechy wejściowe i zamienia ich sumę na wartość od 0 do 1 za pomocą funkcji o kształcie litery S. Ponieważ wagi są łatwe do interpretacji, jest szeroko stosowana w scoringu kredytowym, medycynie i marketingu, często jako solidny punkt odniesienia dla bardziej złożonych modeli.
Klasyfikator to model lub metoda, która przypisuje dane wejściowe do jednej z kilku z góry określonych kategorii. Klasyczne warianty, takie jak drzewa decyzyjne czy naiwny klasyfikator bayesowski, są trenowane na oznaczonych przykładach; modele językowe mogą też sortować teksty na podstawie opisu kategorii. Typowe zastosowania to wykrywanie spamu, sortowanie zapytań klientów według tematu i kategoryzowanie rachunków. Jakość mierzy się metrykami takimi jak dokładność, precyzja i czułość.
Naiwny klasyfikator bayesowski (Naive Bayes) to rodzina prostych metod klasyfikacji opartych na twierdzeniu Bayesa. Nazywa się je „naiwnymi”, ponieważ zakładają, że wszystkie cechy są od siebie niezależne, co w praktyce rzadko jest prawdą, ale często mimo to daje dobre wyniki. Metody te są szybkie, wymagają niewielu danych treningowych i szczególnie dobrze nadają się do tekstów. Klasycznym przykładem jest filtr spamu, który sortuje wiadomości e-mail na podstawie typowych słów.
