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
- Требует огромных объемов обучающих данных
- Данные должны быть помечены
- Неустойчив к изменениям данных с течением времени
- Возможно, вам нужно обнаружить всех животных, а не только кошек
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.