ML clasic și AI pentru date structurate
Pentru tabele, multe probleme au soluții ML mai simple decât un LLM.
Ce vei învăța
- Explici: ai nu este un singur tip de model
- Aplici ideea într-un exemplu: ML clasic și AI pentru date structurate
- Recunoști limitele și verifici rezultatul exercițiului
Pentru tabele, multe probleme au soluții ML mai simple decât un LLM. Alegerea începe cu variabila pe care vrei să o prezici.
Acesta este un laborator conceptual sau extern. Nu presupune că aplicația oferă toate controalele descrise.
Cum funcționează, pas cu pas
AI nu este un singur tip de model
Inteligența artificială este o familie de metode pentru sarcini precum recunoașterea, predicția, planificarea și generarea. Un sistem cu reguli aplică instrucțiuni scrise de oameni. Machine learning învață relații din exemple; deep learning folosește rețele cu multe straturi. AI generativă produce conținut nou. Un LLM lucrează cu limbajul, dar recomandarea produselor sau detectarea unui defect poate folosi alte modele. Gândește-te la o trusă: alegi unealta după problemă. Un algoritm simplu poate fi mai potrivit decât un agent pentru o regulă fixă.
Cum se schimbă modelul prin învățare
Datele de antrenare sunt exemplele din care modelul își ajustează parametrii. În învățarea supravegheată ai și răspunsul dorit, precum „spam”. În cea nesupravegheată cauți structuri, precum grupuri de clienți. Învățarea auto-supervizată construiește ținte din date, de exemplu prezicerea textului următor. Validarea ajută la alegerea setărilor; setul de test rămâne separat până la evaluarea finală. Dacă modelul memorează exemplele și greșește pe date noi, ai overfitting. O separare corectă evită scurgerea informației din test în antrenare.
Definește succesul înainte de optimizare
Pregătește un set de cereri reprezentative și răspunsuri sau proprietăți așteptate. Include cazuri obișnuite, ambigue, fără date și cu erori de unelte. Pentru RAG măsoară separat găsirea dovezii și corectitudinea răspunsului. Recall@k urmărește proporția dovezilor relevante găsite în primele k rezultate; precision@k urmărește proporția rezultatelor relevante. Pentru agenți urmărește și acțiunile, accesul și oprirea. Un LLM-as-judge poate accelera evaluarea, dar se calibrează față de oameni. Nu modifica simultan promptul, modelul și indexul dacă vrei să înțelegi cauza îmbunătățirii.
Harta vizuală
Urmărește săgețile continue pentru fluxul principal. Săgețile albastre punctate furnizează date sau context; cele roz punctate arată feedback sau rezultate care revin. Culorile și formele disting modelele, stocările, deciziile și rezultatele. Pe ecrane mici, derulează orizontal pentru a urmări întreaga diagramă.
Un exemplu complet
Clasificarea prezice o categorie; regresia o valoare; clustering grupează fără etichete. Recomandările ordonează opțiuni, prognoza urmărește timpul, iar detecția anomaliilor caută abateri.
Încearcă tu
- Asociază șase nevoi de magazin cu cele șase familii și o metrică potrivită.
- Notează intrarea, sursa și rezultatul așteptat înainte să rulezi experimentul. Folosește doar datele fictive din exemplu.
- Urmărește etapele din diagramă. La fiecare pas scrie ce informație primește și ce produce; nu confunda rezultatul intermediar cu rezultatul final.
- Repetă cazul după eliminarea unei informații necesare sau după o intrare ambiguă. Verifică dacă sistemul cere clarificare, se oprește sau inventează.
- Compară cu soluția comentată. Păstrează configurația, data, rezultatul și o explicație pentru orice diferență. Schimbă un singur lucru și retestează.
Soluție comentată
Pentru cererea de produse alegi prognoză cu separare temporală; nu amesteci date din viitor în train. Pentru a considera exercițiul reușit, poți arăta legătura dintre intrare, etapele parcurse și rezultat. Dacă lipsesc date, un răspuns prudent este mai util decât o completare inventată. Nu compara doar stilul: verifică și condițiile, sursele și operațiile efectuate.
Când merită și ce poate merge prost
Corelația nu dovedește cauzalitatea. Alege această abordare când îmbunătățește o nevoie măsurată. Păstrează o variantă simplă ca referință și compară rezultatele pe aceleași intrări. Un singur exemplu reușit nu stabilește fiabilitatea în toate situațiile.
Verifică ce ai înțeles
Orice automatizare este AI?
Nu. O regulă fixă poate automatiza ceva fără învățare sau raționament flexibil.
De ce nu evaluăm doar pe datele de antrenare?
Pentru că vrem performanță pe situații noi, nu dovada că a memorat exemplele.
Ce rezultat trebuie să obții în acest exercițiu?
Pentru cererea de produse alegi prognoză cu separare temporală; nu amesteci date din viitor în train.
Cuvinte de ținut minte
- AI: Familie de metode, nu sinonim pentru chatbot.
- Overfitting: Modelul se adaptează excesiv la exemplele văzute.
- Regresie / Regression: O schimbare care strică un caz anterior corect.
Surse și următorul pas
Pentru pregătire: F01 — Ce este inteligența artificială? · F02 — Cum învață o mașină? · F07 — AI multimodală, pe înțelesul tuturor