Delno nadzorovano učenje združuje majhno količino označenih podatkov z veliko količino neoznačenih. Model se najprej uči iz peščice primerov z znanimi odgovori, nato pa z vzorci v preostalih podatkih izboljšuje svoje delovanje – na primer tako, da zanesljive napovedi privzame kot dodatne primere za učenje. To se izplača, kadar je označevanje drago, na primer pri medicinskih slikah ali tisočih zahtevkih za podporo.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevPri nadzorovanem učenju se model uči iz primerov, za katere je pravilen odgovor že znan, na primer e-pošte, označene kot „neželena“ ali „ni neželena“. Iz njih izpelje pravila za razvrščanje novih, še nevidenih primerov ali napovedovanje vrednosti. Tipični nalogi sta razvrščanje in regresija; večina truda gre v pripravo čisto označenih podatkov.
Pri nenadzorovanem učenju model prejme podatke brez vnaprej določenih pravilnih odgovorov in sam išče strukture. Tipični metodi sta gručenje, ki združuje podobne zapise, in zmanjševanje dimenzionalnosti, ki številne značilnice strne v nekaj bistvenih. Organizacije ga uporabljajo za odkrivanje segmentov strank ali opažanje nenavadnih transakcij; najdene skupine morajo nato razložiti strokovnjaki s področja.
O pomanjkanju podatkov govorimo, kadar za nalogo UI ni dovolj ustreznih ali označenih podatkov, da bi model zanesljivo naučili ali preizkusili. Prizadene na primer redke vrste napak v proizvodnji, redke jezike ali nove izdelke brez prodajne zgodovine. Rešitve so prenosno učenje, sintetični podatki, razširitev podatkov ali vnaprej naučeni jezikovni modeli, ki dajo uporabne rezultate že z nekaj primeri.
Podatki za učenje so primeri, iz katerih se model UI uči vzorcev: velike zbirke besedil za jezikovne modele, označene slike za slikovne modele. Njihova kakovost, raznolikost in aktualnost v veliki meri določajo, kako zanesljiv in pošten je model ter kako sodobno je njegovo znanje. Za organizacije je pomembno tudi, ali ponudnik vnesene podatke strank uporablja za nadaljnje učenje.
