Wie lernt eine Maschine?
Ein Modell lernt Beziehungen anhand von Beispielen, so wie ein Lehrling viele Fälle sieht.
Was Sie lernen werden
- Erklären Sie: Wie Lernen ein Modell verändert
- Wenden Sie die Idee an einem Beispiel an: Wie lernt eine Maschine?
- Erkennen Sie Einschränkungen und überprüfen Sie das Übungsergebnis
Ein Modell lernt Beziehungen anhand von Beispielen, so wie ein Lehrling viele Fälle sieht. Anders als bei einem Lehrling ist seine Anpassung ein numerischer Prozess.
Sie können diesen Kurs ohne Konto oder Programmierung absolvieren. Beispiele verwenden synthetische Daten und KI-Ergebnisse müssen überprüft werden.
Wie es funktioniert, Schritt für Schritt
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.
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.
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. Schulungs- und Validierungsleitfaden für die Modellentwicklung. Der vorgehaltene Testsatz wird zur endgültigen Bewertung und niemals zur Optimierung des Modells verwendet. Scrollen Sie auf kleinen Bildschirmen horizontal, um das gesamte Schaubild zu verfolgen.
Ein vollständiges Beispiel
Sie haben 100 Nachrichten, die als Spam oder legitim gekennzeichnet sind. Vor dem Training teilen. Beinahe-Duplikate sollten sich nicht über Zug und Test erstrecken, da sonst die Auswertung zu einfach wird.
Probieren Sie es selbst aus
- Entwerfen Sie Trainings-/Validierungs-/Testsätze und erklären Sie, wie Sie Duplikate entfernen.
- 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
Messen Sie die Leistung anhand unsichtbarer Beispiele. Fehlalarme bei legitimen Nachrichten sind unabhängig von verpasstem Spam von Bedeutung. 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
Mehr falsch gekennzeichnete Daten können Fehler verstärken. 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
Warum nicht nur Trainingsdaten auswerten?
Wir wollen Leistung in neuen Situationen, keinen Beweis für das Auswendiglernen.
Beweist eine gute Stilbewertung den Erfolg eines Agenten?
Nein. Der Agent schreibt möglicherweise wunderbar, nachdem er das falsche Tool oder die falschen Daten verwendet hat.
Zu welchem Ergebnis soll diese Übung führen?
Messen Sie die Leistung anhand unsichtbarer Beispiele. Fehlalarme bei legitimen Nachrichten sind unabhängig von verpasstem Spam von Bedeutung.
Wichtige Begriffe
- Überanpassung: Das Modell passt zu gut zu den Beispielen, die es gesehen hat.
- Regresie / Regression: Eine Änderung, die einen zuvor korrekten Fall aufhebt.
- AI: Eine Familie von Methoden, kein Synonym für Chatbot.
Quellen und Ihr nächster Schritt
Zur Vorbereitung: F01 – Was ist künstliche Intelligenz?