A aprendizagem semissupervisionada combina uma pequena quantidade de dados etiquetados com uma grande quantidade de dados sem etiquetas. O modelo aprende primeiro com os poucos exemplos de resposta conhecida e depois utiliza padrões nos restantes dados para melhorar – por exemplo, adotando previsões confiantes como exemplos de treino adicionais. Compensa quando a etiquetagem é cara, como acontece com imagens médicas ou milhares de pedidos de suporte.
Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.
Iniciar demonstraçãoNa aprendizagem supervisionada, um modelo aprende com exemplos cuja resposta correta já é conhecida, como e-mails etiquetados como «spam» ou «não spam». A partir deles, deduz regras para classificar casos novos e desconhecidos ou para prever valores. As tarefas típicas são a classificação e a regressão; a maior parte do esforço vai para a criação de dados corretamente etiquetados.
Na aprendizagem não supervisionada, um modelo recebe dados sem respostas corretas predefinidas e procura estruturas por conta própria. Os métodos típicos são o clustering, que agrupa registos semelhantes, e a redução de dimensionalidade, que condensa muitas características em algumas essenciais. As organizações utilizam-na para descobrir segmentos de clientes ou detetar transações invulgares; os grupos encontrados têm depois de ser interpretados por especialistas da área.
A escassez de dados ocorre quando existem poucos dados adequados ou etiquetados para treinar ou testar um modelo de forma fiável numa tarefa de IA. Afeta, por exemplo, tipos de defeitos raros na produção, idiomas de nicho ou produtos novos sem histórico de vendas. Entre as soluções contam-se a aprendizagem por transferência, os dados sintéticos, o aumento de dados ou modelos de linguagem pré-treinados que fornecem resultados úteis com poucos exemplos.
Os dados de treino são os exemplos a partir dos quais um modelo de IA aprende padrões: grandes coleções de texto para modelos de linguagem, imagens etiquetadas para modelos de imagem. A sua qualidade, diversidade e atualidade determinam em grande medida a fiabilidade e a equidade de um modelo e o quão atualizado será o seu conhecimento. Para as organizações, também importa saber se um fornecedor utiliza os dados dos clientes que lhe são fornecidos para treino adicional.
