Come impara una macchina?
Un modello apprende le relazioni dagli esempi, come un apprendista che vede molti casi.
Cosa imparerai
- Spiega: come l'apprendimento cambia un modello
- Applica l'idea in un esempio: come apprende una macchina?
- Riconoscere i limiti e verificare il risultato dell'esercizio
Un modello apprende le relazioni dagli esempi, come un apprendista che vede molti casi. A differenza di un apprendista, il suo adattamento è un processo numerico.
Puoi seguire questo corso senza un account o una programmazione. Gli esempi utilizzano dati sintetici e i risultati dell’intelligenza artificiale devono essere verificati.
Come funziona, passo dopo passo
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.
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.
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. Sviluppo del modello di guida per la formazione e la convalida. Il set di test viene utilizzato per la valutazione finale, mai per mettere a punto il modello. Su schermi piccoli, scorri in orizzontale per seguire l’intero schema.
Un esempio completo
Hai 100 messaggi etichettati come spam o legittimi. Diviso prima dell'allenamento. I quasi duplicati non dovrebbero includere training e test: altrimenti la valutazione diventa troppo facile.
Provalo tu stesso
- Progetta set di training/convalida/test e spiega come rimuovere i duplicati.
- 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
Misurare le prestazioni su esempi mai visti; i falsi allarmi sui messaggi legittimi contano separatamente dallo spam mancato. 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
Un numero maggiore di dati etichettati in modo errato può amplificare gli errori. 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
Perché non valutare solo sui dati di allenamento?
Vogliamo prestazioni in situazioni nuove, non prove di memorizzazione.
Un buon punteggio di stile dimostra il successo dell'agente?
No. L'agente potrebbe scrivere magnificamente dopo aver utilizzato lo strumento o i dati sbagliati.
Quale risultato dovrebbe produrre questo esercizio?
Misurare le prestazioni su esempi mai visti; i falsi allarmi sui messaggi legittimi contano separatamente dallo spam mancato.
Termini da ricordare
- Sovradattamento: Il modello si adatta troppo agli esempi che ha visto.
- Regresia/Regressione: una modifica che interrompe un caso precedentemente corretto.
- AI: Una famiglia di metodi, non un sinonimo di chatbot.
Fonti e il prossimo passo
Per preparare: F01 — Cos'è l'intelligenza artificiale?