Jak uczy się maszyna?
Model uczy się relacji na przykładach, tak jak uczeń obserwujący wiele przypadków.
Czego się dowiesz
- Wyjaśnij: jak uczenie się zmienia model
- Zastosuj tę ideę na przykładzie: W jaki sposób maszyna się uczy?
- Rozpoznaj ograniczenia i zweryfikuj rezultaty ćwiczeń
Model uczy się relacji na przykładach, tak jak uczeń obserwujący wiele przypadków. W przeciwieństwie do ucznia, jego dostosowanie jest procesem numerycznym.
Możesz kontynuować ten kurs bez konta i programowania. W przykładach wykorzystano dane syntetyczne, a wyniki sztucznej inteligencji wymagają sprawdzenia.
Jak to działa, krok po kroku
Jak uczenie się zmienia model
Dane uczące to zbiór przykładów używanych do dostosowywania parametrów modelu. Uczenie się nadzorowane obejmuje cel, taki jak „spam”. Uczenie się bez nadzoru znajduje strukturę, taką jak grupy klientów. Samonadzorowane uczenie się tworzy cele na podstawie danych, na przykład przewidywanie następującego tekstu. Walidacja pomaga wybrać ustawienia; zestaw testowy pozostaje oddzielony aż do oceny końcowej. Model, który zapamiętuje przykłady i nie radzi sobie z nowymi danymi, jest nadmiernie dopasowany. Właściwy podział zapobiega przedostawaniu się informacji ze zbioru testowego do treningu.
Zdefiniuj sukces przed optymalizacją
Przygotuj reprezentatywne prośby i oczekiwane odpowiedzi lub właściwości. Uwzględnij zwykłe przypadki, niejednoznaczność, brakujące dane i błędy narzędzi. W przypadku RAG mierz pozyskiwanie dowodów oddzielnie od poprawności odpowiedzi. Recall@k mierzy udział odpowiednich dowodów znalezionych w pierwszych k wynikach; Precision@k mierzy udział zwróconych wyników, które są istotne. W przypadku agentów śledź także działania, uprawnienia i zatrzymania. Sędzia LLM może przyspieszyć ocenę, ale wymaga kalibracji w stosunku do ludzi. Nie zmieniaj jednocześnie podpowiedzi, modelu i indeksu, jeśli chcesz zrozumieć, co poprawiło wyniki.
Sztuczna inteligencja nie jest jednym typem modelu
Sztuczna inteligencja to rodzina metod rozpoznawania, przewidywania, planowania i generowania. System oparty na regułach postępuje zgodnie z instrukcjami napisanymi przez ludzi. Uczenie maszynowe uczy się relacji na przykładach; głębokie uczenie się wykorzystuje sieci wielowarstwowe. Generatywna sztuczna inteligencja tworzy nowe treści. LLM działa z językiem, ale rekomendacje produktów lub wykrywanie defektów mogą wykorzystywać inne modele. Pomyśl o zestawie narzędzi: wybierz narzędzie do rozwiązania problemu. Prosty algorytm może być bardziej odpowiedni niż agent dla ustalonej reguły.
Schemat objaśniający
Postępuj zgodnie ze strzałkami wskazującymi główny przepływ. Przerywane niebieskie strzałki przedstawiają dane lub kontekst; przerywane różowe strzałki pokazują opinie lub zwracane wyniki. Kolory i kształty wyróżniają modele, sklepy, decyzje i wyniki. Rozwój modelu przewodnika po szkoleniach i walidacji. Wystawiony zestaw testowy służy do ostatecznej oceny, a nie do strojenia modelu. Na małym ekranie przewijaj w poziomie, aby zobaczyć cały schemat.
Kompletny przykład
Masz 100 wiadomości oznaczonych jako spam lub uzasadnione. Rozdzielenie przed treningiem. Prawie duplikaty nie powinny obejmować szkolenia i testowania: w przeciwnym razie ocena stanie się zbyt łatwa.
Spróbuj sam
- Zaprojektuj zestawy pociągowe/walidacyjne/testowe i wyjaśnij, jak usunąć duplikaty.
- Przed rozpoczęciem eksperymentu zapisz dane wejściowe, źródło i oczekiwany wynik. W przykładzie użyj wyłącznie fikcyjnych danych.
- Postępuj zgodnie z etapami diagramu. Na każdym etapie zapisuj, jakie informacje zostały otrzymane i wyprodukowane; nie myl produktu pośredniego z efektem końcowym.
- Powtórz po usunięciu niezbędnych informacji lub wprowadzeniu niejednoznaczności. Sprawdź, czy system wyjaśnia, zatrzymuje lub wymyśla odpowiedź.
- Porównaj z objaśnionym rozwiązaniem. Zachowaj konfigurację, datę, wynik i wyjaśnienie różnic. Zmień jedną rzecz i przetestuj ponownie.
Wyjaśnione rozwiązanie
Zmierz wydajność na niewidzianych przykładach; fałszywe alarmy dotyczące prawidłowych wiadomości mają znaczenie odrębne od nieodebranego spamu. Pomyślne ćwiczenie pozwala pokazać związek między danymi wejściowymi, etapami i wynikiem. Gdy brakuje informacji, bardziej użyteczna jest ostrożna odpowiedź niż wymyślane szczegóły. Porównaj więcej niż styl: sprawdź także warunki, źródła i operacje.
Kiedy to podejście pomaga i jakie ma ograniczenia
Więcej niepoprawnie oznakowanych danych może spotęgować błędy. Wybierz to podejście, jeśli poprawia ono zmierzoną potrzebę. Zachowaj prostą linię bazową i porównaj wyniki, korzystając z identycznych danych wejściowych. Jeden udany przykład nie gwarantuje niezawodności w każdej sytuacji.
Sprawdź swoją wiedzę
Dlaczego nie oceniać wyłącznie na podstawie danych szkoleniowych?
Chcemy występów w nowych sytuacjach, a nie dowodu zapamiętywania.
Czy dobry wynik za styl świadczy o sukcesie agenta?
Nie. Agent może pięknie pisać, jeśli użyje niewłaściwego narzędzia lub danych.
Jaki wynik powinno dać to ćwiczenie?
Zmierz wydajność na niewidzianych przykładach; fałszywe alarmy dotyczące prawidłowych wiadomości mają znaczenie odrębne od nieodebranego spamu.
Pojęcia do zapamiętania
- Nadmierne dopasowanie: Model pasuje do przykładów, które widział zbyt blisko.
- Regresja / Regresja: Zmiana, która przerywa poprzednio poprawną wielkość liter.
- AI: Rodzina metod, a nie synonim chatbota.
Źródła i następny krok
Aby przygotować: F01 — Czym jest sztuczna inteligencja?