Искусственный интеллект (ИИ) — это трансформирующая, но широко непонятая технология. Многие думают, что нейронные сети и ИИ — это одно и то же, или что Терминатор вот-вот наступит.

ИИ берет информацию и создает понимание

ИИ должен научиться создавать понимание. Существует три подхода к обучению, каждый со своими сильными и слабыми сторонами. Выберите лучший подход к обучению для вашей ситуации.

контролируемое обучение

Обучение с учителем строит ИИ на основе большого количества информации или данных. Это больше всего похоже на механическое заучивание в школе, где вам приходилось запоминать расписания или зубрить перед экзаменом.

Данные должны иметь множество входных и выходных данных, чтобы ИИ знал, какая комбинация входных данных приводит к выходным данным.

Поиск кошек на изображениях отлично подходит для контролируемого обучения. Вам просто нужно много-много изображений с кошками и без них (входные данные) и метки, указывающие, присутствует ли кошка (выходные данные).

Сильные стороны

  • Масштабируемость после обучения
  • Точный качественный вывод (кот/не кот)

Недостатки

Неконтролируемое обучение

ИИ, использующий обучение без учителя, находит в данных новые закономерности. Затем специалист по данным должен определить, что это означает для компании и как использовать это в будущем.

Неконтролируемое обучение похоже на исследователя, открывающего что-то новое. Иногда то, что он обнаруживает, меняет мир, а иногда нет.

Понимание поведения клиентов — отличная задача для самостоятельного обучения. Он обеспечивает комбинации поведения клиентов, которые приводят к аналогичным результатам.

Сильные стороны

  • Работает с имеющимися у вас данными — без маркировки
  • Генерирует новые идеи

Недостатки

  • Не гарантируется получение чего-либо полезного
  • Неустойчив к изменениям данных с течением времени
  • Могут возникнуть проблемы с данными с большим количеством измерений (например, свойства клиентов)

Обучение с подкреплением

Обучение с подкреплением улучшает модель с функцией вознаграждения. Он постоянно пробует что-то новое и узнает, что работает, а что нет.

Обучение с подкреплением больше всего похоже на наше собственное обучение. Мы пробуем новые вещи во всех аспектах нашей жизни и придерживаемся того, что работает, и отказываемся от того, что не работает.

Прогноз запасов отлично подходит для обучения с подкреплением. Каждое движение в акции вознаграждает или наказывает ИИ, помогая ему учиться и становиться лучше в прогнозировании.

Сильные стороны

  • Адаптируется к изменениям информации
  • Работает с имеющимися у вас данными — без маркировки
  • Напрямую связано с созданием ценности (например, цены акций)
  • Высокая масштабируемость

Недостатки

  • Нужна функция вознаграждения (например, дал ли мне этот прогноз деньги)

Еда на вынос

Выберите лучший подход для вас.

У каждого подхода есть свои сильные и слабые стороны — лучшие специалисты по данным и продукты ИИ используют это для повышения производительности.