Învățarea semisupravegheată combină o cantitate mică de date etichetate cu o cantitate mare de date neetichetate. Modelul învață mai întâi din puținele exemple cu răspunsuri cunoscute și apoi folosește tiparele din restul datelor pentru a se îmbunătăți – de exemplu preluând predicțiile sigure ca exemple suplimentare de antrenare. Se justifică atunci când etichetarea este costisitoare, ca în cazul imaginilor medicale sau al miilor de tichete de suport.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulÎn învățarea supravegheată, un model învață din exemple pentru care răspunsul corect este deja cunoscut, precum e-mailurile etichetate „spam” sau „nu este spam”. Din ele deduce reguli pentru a clasifica cazuri noi, nevăzute, sau pentru a prezice valori. Sarcinile tipice sunt clasificarea și regresia; cea mai mare parte a efortului constă în crearea unor date etichetate corect.
În învățarea nesupravegheată, un model primește date fără răspunsuri corecte predefinite și caută singur structuri. Metodele tipice sunt clusteringul, care grupează înregistrări similare, și reducerea dimensionalității, care condensează multe caracteristici în câteva esențiale. Organizațiile o folosesc pentru a descoperi segmente de clienți sau pentru a depista tranzacții neobișnuite; grupurile găsite trebuie apoi interpretate de experți în domeniu.
Lipsa datelor apare atunci când există prea puține date adecvate sau etichetate pentru ca o sarcină IA să poată antrena sau testa un model în mod fiabil. Aceasta afectează, de exemplu, tipurile rare de defecte din producție, limbile de nișă sau produsele noi fără istoric de vânzări. Soluțiile includ transfer learning, date sintetice, augmentarea datelor sau modele lingvistice pre-antrenate, care oferă rezultate utile chiar și cu puține exemple.
Datele de antrenare sunt exemplele din care un model de IA învață tipare: colecții mari de texte pentru modelele lingvistice, imagini etichetate pentru modelele de imagini. Calitatea, diversitatea și actualitatea lor determină în mare măsură cât de fiabil și echitabil este un model și cât de actuale sunt cunoștințele sale. Pentru organizații contează și dacă un furnizor folosește datele clienților introduse de aceștia pentru antrenare ulterioară.
