Na 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.
Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.
Iniciar demonstraçãoNa 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 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.
Um classificador é um modelo ou método que atribui entradas a uma de várias categorias predefinidas. As variantes clássicas, como as árvores de decisão ou o naive Bayes, são treinadas com exemplos etiquetados; os modelos de linguagem também podem ordenar textos com base numa descrição das categorias. As utilizações típicas incluem a deteção de spam, a triagem de pedidos de clientes por tema e a categorização de recibos. A qualidade é medida com métricas como a exatidão, a precisão e a revocação.
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.
