Klassisches ML und strukturierte Daten
Für viele tabellarische Probleme gibt es ML-Lösungen, die einfacher sind als ein LLM.
Was Sie lernen werden
- Erklären Sie: KI ist keine bestimmte Art von Modell
- Wenden Sie die Idee in einem Beispiel an: Klassisches ML und strukturierte Daten
- Erkennen Sie Einschränkungen und überprüfen Sie das Übungsergebnis
Für viele tabellarische Probleme gibt es ML-Lösungen, die einfacher sind als ein LLM. Beginnen Sie mit der Variablen, die Sie vorhersagen möchten.
Dies ist ein konzeptionelles oder externes Labor. Es wird nicht davon ausgegangen, dass die Anwendung alle beschriebenen Steuerelemente verfügbar macht.
Wie es funktioniert, Schritt für Schritt
KI ist keine bestimmte Art von Modell
Künstliche Intelligenz ist eine Familie von Methoden zur Erkennung, Vorhersage, Planung und Generierung. Ein regelbasiertes System folgt den von Menschen geschriebenen Anweisungen. Maschinelles Lernen lernt Zusammenhänge anhand von Beispielen; Deep Learning nutzt Netzwerke mit vielen Schichten. Generative KI produziert neue Inhalte. Ein LLM arbeitet mit Sprache, Produktempfehlungen oder Fehlererkennung können jedoch andere Modelle verwenden. Stellen Sie sich einen Werkzeugkasten vor: Wählen Sie ein Werkzeug für das Problem aus. Für eine feste Regel kann ein einfacher Algorithmus besser geeignet sein als ein Agent.
Wie Lernen ein Modell verändert
Trainingsdaten sind die Beispiele, die zum Anpassen von Modellparametern verwendet werden. Überwachtes Lernen beinhaltet ein Ziel, beispielsweise „Spam“. Unüberwachtes Lernen findet Strukturen, beispielsweise Kundengruppen. Selbstüberwachtes Lernen erstellt Ziele aus Daten, beispielsweise die Vorhersage folgender Texte. Die Validierung hilft bei der Auswahl der Einstellungen. Der Testsatz bleibt bis zur endgültigen Auswertung getrennt. Ein Modell, das sich Beispiele merkt und bei neuen Daten versagt, ist überangepasst. Eine ordnungsgemäße Aufteilung verhindert, dass Informationen aus dem Testsatz in das Training gelangen.
Definieren Sie den Erfolg vor der Optimierung
Bereiten Sie repräsentative Anfragen und erwartete Antworten oder Eigenschaften vor. Berücksichtigen Sie normale Fälle, Unklarheiten, fehlende Daten und Toolfehler. Messen Sie für RAG die Beweisgewinnung getrennt von der Antwortkorrektheit. Recall@k misst den Anteil relevanter Beweise, die in den ersten k Ergebnissen gefunden wurden; precision@k misst den Anteil der zurückgegebenen Ergebnisse, die relevant sind. Verfolgen Sie für Agenten auch Aktionen, Berechtigungen und Stopps. Ein LLM als Richter kann die Bewertung beschleunigen, muss jedoch mit Menschen verglichen werden. Ändern Sie Eingabeaufforderung, Modell und Index nicht gleichzeitig, wenn Sie verstehen möchten, was zu verbesserten Ergebnissen führt.
Das erklärende Schaubild
Folgen Sie den durchgezogenen Pfeilen für den Hauptfluss. Gestrichelte blaue Pfeile liefern Daten oder Kontext; Gestrichelte rosa Pfeile zeigen Feedback oder zurückgegebene Ergebnisse an. Farben und Formen unterscheiden Modelle, Geschäfte, Entscheidungen und Ergebnisse. Scrollen Sie auf kleinen Bildschirmen horizontal, um das gesamte Schaubild zu verfolgen.
Ein vollständiges Beispiel
Die Klassifizierung sagt eine Kategorie voraus; Regression ein Wert; Clustering gruppiert unbeschriftete Daten. Empfehlungen bewerten Optionen, Prognosen folgen der Zeit und die Anomalieerkennung findet Abweichungen.
Probieren Sie es selbst aus
- Ordnen Sie sechs Geschäftsanforderungen sechs Aufgabenfamilien und geeigneten Metriken zu.
- Notieren Sie die Eingabe, die Quelle und das erwartete Ergebnis, bevor Sie das Experiment durchführen. Verwenden Sie im Beispiel nur die fiktiven Daten.
- Folgen Sie den Diagrammschritten. Notieren Sie bei jedem Schritt, welche Informationen empfangen und produziert werden. Verwechseln Sie Zwischenergebnisse nicht mit Endergebnissen.
- Wiederholen Sie den Vorgang, nachdem Sie erforderliche Informationen entfernt oder die Eingabe mehrdeutig gemacht haben. Prüfen Sie, ob das System eine Antwort klärt, stoppt oder erfindet.
- Vergleichen Sie mit der erklärten Lösung. Bewahren Sie die Konfiguration, das Datum, das Ergebnis und eine Erklärung für Unterschiede auf. Ändern Sie eine Sache und testen Sie es erneut.
Eine erklärte Lösung
Verwenden Sie für die Produktnachfrage Prognosen mit zeitlichen Aufteilungen. Mischen Sie keine zukünftigen Daten in das Training. Mit einer erfolgreichen Übung können Sie den Zusammenhang zwischen Input, Phasen und Ergebnis aufzeigen. Bei fehlenden Informationen ist eine vorsichtige Antwort sinnvoller als erfundene Details. Vergleichen Sie mehr als nur Stil: Überprüfen Sie auch Bedingungen, Quellen und Vorgänge.
Wann dieser Ansatz hilft und wo seine Grenzen liegen
Korrelation stellt keine Kausalität her. Wählen Sie diesen Ansatz, wenn er einen gemessenen Bedarf verbessert. Behalten Sie eine einfache Ausgangsbasis bei und vergleichen Sie die Ergebnisse mit identischen Eingaben. Ein erfolgreiches Beispiel stellt nicht in jeder Situation Verlässlichkeit dar.
Überprüfen Sie Ihr Wissen
Ist jede Automatisierung KI?
Nein. Eine feste Regel kann etwas automatisieren, ohne dass Lernen oder flexibles Denken erforderlich sind.
Warum nicht nur Trainingsdaten auswerten?
Wir wollen Leistung in neuen Situationen, keinen Beweis für das Auswendiglernen.
Zu welchem Ergebnis soll diese Übung führen?
Verwenden Sie für die Produktnachfrage Prognosen mit zeitlichen Aufteilungen. Mischen Sie keine zukünftigen Daten in das Training.
Wichtige Begriffe
- AI: Eine Familie von Methoden, kein Synonym für Chatbot.
- Überanpassung: Das Modell passt zu gut zu den Beispielen, die es gesehen hat.
- Regresie / Regression: Eine Änderung, die einen zuvor korrekten Fall aufhebt.
Quellen und Ihr nächster Schritt
Zur Vorbereitung: F01 – Was ist künstliche Intelligenz? · F02 – Wie lernt eine Maschine? · F07 – Multimodale KI im Klartext