Semi-övervakad inlärning kombinerar en liten mängd märkta data med en stor mängd omärkta data. Modellen lär sig först av de få exemplen med kända svar och använder sedan mönster i övriga data för att bli bättre – till exempel genom att ta in säkra förutsägelser som ytterligare träningsexempel. Det lönar sig när märkning är dyrt, som med medicinska bilder eller tusentals supportärenden.
Vid övervakad inlärning lär sig en modell av exempel där det rätta svaret redan är känt, som e-postmeddelanden märkta ”spam” eller ”inte spam”. Utifrån dem härleder den regler för att klassificera nya, osedda fall eller förutsäga värden. Typiska uppgifter är klassificering och regression; det mesta av arbetet går åt till att skapa rent märkta data.
Vid oövervakad inlärning får en modell data utan fördefinierade rätta svar och söker själv efter strukturer. Typiska metoder är klustring, som grupperar liknande poster, och dimensionsreduktion, som sammanfattar många särdrag till några få väsentliga. Organisationer använder det för att upptäcka kundsegment eller se ovanliga transaktioner; de grupper som hittas måste sedan tolkas av ämnesexperter.
Databrist uppstår när det finns för lite lämpliga eller annoterade data för att en AI-uppgift ska kunna träna eller testa en modell på ett pålitligt sätt. Det drabbar till exempel sällsynta feltyper i produktionen, nischspråk eller nya produkter utan försäljningshistorik. Åtgärder är transferinlärning, syntetiska data, dataaugmentering eller förtränade språkmodeller som ger användbara resultat med bara några få exempel.
Träningsdata är de exempel som en AI-modell lär sig mönster av: stora textsamlingar för språkmodeller, märkta bilder för bildmodeller. Deras kvalitet, mångfald och aktualitet avgör till stor del hur tillförlitlig och rättvis en modell är och hur aktuell dess kunskap blir. För organisationer spelar det också roll om en leverantör använder de kunddata som de matar in för vidare träning.
