Uczenie półnadzorowane łączy niewielką ilość danych z etykietami z dużą ilością danych bez etykiet. Model najpierw uczy się na nielicznych przykładach ze znanymi odpowiedziami, a następnie wykorzystuje wzorce w pozostałych danych, aby się poprawić – na przykład przyjmując pewne predykcje jako dodatkowe przykłady treningowe. Opłaca się to, gdy etykietowanie jest kosztowne, jak w przypadku obrazów medycznych lub tysięcy zgłoszeń do wsparcia.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoW uczeniu nadzorowanym model uczy się na przykładach, dla których poprawna odpowiedź jest już znana, na przykład na e-mailach oznaczonych jako „spam” lub „nie spam”. Na tej podstawie wyprowadza reguły do klasyfikowania nowych, nieznanych przypadków lub przewidywania wartości. Typowe zadania to klasyfikacja i regresja; większość wysiłku pochłania przygotowanie starannie oznaczonych danych.
W uczeniu nienadzorowanym model otrzymuje dane bez z góry zdefiniowanych poprawnych odpowiedzi i samodzielnie szuka struktur. Typowe metody to klasteryzacja, która grupuje podobne rekordy, oraz redukcja wymiarowości, która zagęszcza wiele cech do kilku zasadniczych. Organizacje stosują je do odkrywania segmentów klientów lub wykrywania nietypowych transakcji; znalezione grupy muszą następnie zinterpretować eksperci dziedzinowi.
Niedobór danych występuje wtedy, gdy dla zadania AI brakuje odpowiednich lub oznaczonych danych, aby wiarygodnie wytrenować lub przetestować model. Dotyczy to na przykład rzadkich rodzajów wad w produkcji, niszowych języków albo nowych produktów bez historii sprzedaży. Środki zaradcze to transfer learning, dane syntetyczne, augmentacja danych lub wstępnie wytrenowane modele językowe, które dają użyteczne wyniki już na podstawie kilku przykładów.
Dane treningowe to przykłady, z których model AI uczy się wzorców: duże zbiory tekstów dla modeli językowych, obrazy z etykietami dla modeli obrazowych. Ich jakość, różnorodność i aktualność w dużej mierze decydują o tym, jak niezawodny i sprawiedliwy jest model oraz jak aktualna jest jego wiedza. Dla organizacji ma też znaczenie, czy dostawca wykorzystuje wprowadzane przez klientów dane do dalszego trenowania.
