W 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.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoW 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.
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.
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.
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.
