ML classico e dati strutturati
Molti problemi tabulari hanno soluzioni ML più semplici di un LLM.
Cosa imparerai
- Spiega: l'ai non è un tipo di modello
- Applica l'idea in un esempio: ML classico e dati strutturati
- Riconoscere i limiti e verificare il risultato dell'esercizio
Molti problemi tabulari hanno soluzioni ML più semplici di un LLM. Inizia con la variabile che vuoi prevedere.
Questo è un laboratorio concettuale o esterno. Non presuppone che l'applicazione esponga tutti i controlli descritti.
Come funziona, passo dopo passo
L’intelligenza artificiale non è un tipo di modello
L’intelligenza artificiale è una famiglia di metodi per il riconoscimento, la previsione, la pianificazione e la generazione. Un sistema basato su regole segue le istruzioni scritte dalle persone. L'apprendimento automatico apprende le relazioni dagli esempi; il deep learning utilizza reti con molti livelli. L’intelligenza artificiale generativa produce nuovi contenuti. Un LLM funziona con il linguaggio, ma le raccomandazioni sui prodotti o il rilevamento dei difetti possono utilizzare altri modelli. Pensa a una cassetta degli attrezzi: scegli uno strumento per il problema. Un algoritmo semplice può essere più adatto di un agente per una regola fissa.
Come l'apprendimento cambia un modello
I dati di training sono l'insieme di esempi utilizzati per regolare i parametri del modello. L'apprendimento supervisionato include un obiettivo, come lo "spam". L'apprendimento non supervisionato trova strutture, come i gruppi di clienti. L'apprendimento autosuperato crea obiettivi dai dati, ad esempio prevedendo il testo successivo. La convalida aiuta a scegliere le impostazioni; il set di test rimane separato fino alla valutazione finale. Un modello che memorizza esempi e fallisce sui nuovi dati è eccessivo. Una suddivisione corretta impedisce che le informazioni provenienti dal set di test si diffondano nell'addestramento.
Definire il successo prima di ottimizzare
Preparare richieste rappresentative e risposte o proprietà previste. Includere casi ordinari, ambiguità, dati mancanti ed errori dello strumento. Per RAG, misurare il recupero delle prove separatamente dalla correttezza della risposta. Recall@k misura la quota di prove rilevanti trovate nei primi k risultati; Precision@k misura la quota di risultati restituiti che sono rilevanti. Per gli agenti, monitora anche azioni, autorizzazioni e arresti. Un LLM come giudice può accelerare la valutazione ma necessita di una calibrazione rispetto agli esseri umani. Non modificare prompt, modello e indice contemporaneamente se vuoi capire quali risultati migliorati.
Lo schema esplicativo
Seguire le frecce continue per il flusso principale. Le frecce blu tratteggiate forniscono dati o contesto; le frecce rosa tratteggiate mostrano feedback o risultati restituiti. Colori e forme distinguono modelli, negozi, decisioni e risultati. Su schermi piccoli, scorri in orizzontale per seguire l’intero schema.
Un esempio completo
La classificazione prevede una categoria; regressione un valore; clustering raggruppa dati senza etichetta. Le raccomandazioni classificano le opzioni, le previsioni seguono il tempo e il rilevamento delle anomalie rileva le deviazioni.
Provalo tu stesso
- Mappare le esigenze di sei negozi in sei famiglie di attività e metriche adeguate.
- Registrare l'input, la fonte e il risultato atteso prima di eseguire l'esperimento. Utilizzare solo i dati fittizi nell'esempio.
- Seguire le fasi del diagramma. Ad ogni passaggio registrare quali informazioni vengono ricevute e prodotte; non confondere il risultato intermedio con il risultato finale.
- Ripetere dopo aver rimosso le informazioni necessarie o reso ambiguo l'input. Controlla se il sistema chiarisce, ferma o inventa una risposta.
- Confrontare con la soluzione spiegata. Conserva la configurazione, la data, il risultato e una spiegazione delle differenze. Cambia una cosa e riprova.
Una soluzione spiegata
Per la domanda di prodotto utilizzare la previsione con suddivisioni temporali; non mescolare i dati futuri nella formazione. Un esercizio riuscito ti consente di mostrare la connessione tra input, fasi e risultato. Quando mancano le informazioni, una risposta cauta è più utile dei dettagli inventati. Confrontare non solo stile: verificare anche condizioni, fonti e operazioni.
Quando è utile e quali sono i suoi limiti
La correlazione non stabilisce la causalità. Scegli questo approccio quando migliora un bisogno misurato. Mantieni una linea di base semplice e confronta i risultati utilizzando input identici. Un esempio di successo non stabilisce l’affidabilità in ogni situazione.
Verifica ciò che hai imparato
Ogni automazione è AI?
No. Una regola fissa può automatizzare qualcosa senza apprendimento o ragionamento flessibile.
Perché non valutare solo sui dati di allenamento?
Vogliamo prestazioni in situazioni nuove, non prove di memorizzazione.
Quale risultato dovrebbe produrre questo esercizio?
Per la domanda di prodotto utilizzare la previsione con suddivisioni temporali; non mescolare i dati futuri nella formazione.
Termini da ricordare
- AI: Una famiglia di metodi, non un sinonimo di chatbot.
- Sovradattamento: Il modello si adatta troppo agli esempi che ha visto.
- Regresia/Regressione: una modifica che interrompe un caso precedentemente corretto.
Fonti e il prossimo passo
Per preparare: F01 — Cos'è l'intelligenza artificiale? · F02 — Come impara una macchina? · F07 — IA multimodale in un linguaggio semplice