Machine Learning ulepszony informacjami zwrotnymi
Ostatnia aktualizacja 29 kwietnia, 2022
Machine Learning, czyli uczenie maszynowe nie jest doskonałe. Istnieje kilka metod, według których szkoli się algorytmy, jednak wciąż pracuje się nad ich ulepszaniem. Jednym z efektów takiej pracy jest uczenie maszynowe typu „human-in-the-loop”, w którym wykorzystuje się informacje zwrotne od ludzi, aby eliminować błędy i zwiększać dokładność modeli. O co dokładnie chodzi?
Sprawdź: Robotyka i uczenie maszynowe pomogą leśnikom?
Machine Learning – metody
Machine Learning wykorzystuje sztuczną inteligencję do automatycznego uczenia się systemów na bazie zgromadzonych danych i ich przetwarzania w różnych kontekstach. Uczenie maszynowe dotyczy programów komputerowych, które mają dostęp do baz danych i mogą wykorzystywać je do samodzielnej nauki. Celem jest stworzenie sprawnego systemu, który będzie się uczyć automatycznie w oparciu o obserwacje i wyłanianie wzorców bez konieczności ludzkiej ingerencji.
Machine Learning wykorzystuje kilka metod. Nadzorowane algorytmy uczenia maszynowego używają do przewidywania przyszłych zdarzeń zgromadzonych w przeszłości danych oznaczonych.
W przypadku bezobsługowych algorytmów uczenia maszynowego do ich szkolenia w największej części wykorzystuje się dane, które nie posiadają klasyfikacji ani też nie są oznaczone w żaden sposób. Nienadzorowane uczenie maszynowe bada sposób wnioskowania systemów o strukturze nieoznaczonych danych. Właściwy wynik nie jest zrozumiały dla systemu, ale da się wyciągnąć wnioski potrzebne do opisania struktur danych nieoznaczonych.
Nieoznaczone dane łączy się z częścią danych oznaczonych, aby wykorzystać kolejną metodę – połowicznie nadzorowane algorytmy uczenia maszynowego. W takim połączeniu przeważa zwykle liczba danych nieoznaczonych, jednak już mała liczba danych oznaczonych wystarczy, aby systemy były w stanie poprawić metodę uczenia.
Zobacz: Data Science – na czym polega?
Machine Learning a human-in-the-loop
Częściowo nadzorowane uczenie maszynowe to metoda umożliwiająca ludziom oznakowanie niektórych danych, aby zasilić istniejący model tymczasowy i zwiększyć wiarygodność prognoz. Informacje zwrotne od ludzi wykorzystuje się do poprawiania jakości danych, które funkcjonują w modelach.
Uczenie maszynowe human-in-the-loop obejmuje próbkowanie danych, które ludzie oznaczają adnotacjami, a następnie używa się ich do trenowania modelu. Istnieje wiele usług, które korzystają z tego procesu.
Jednym z przykładów jest DataRobot z funkcją Human AI. Pozwala ona ustalać reguły wykrywające niepewne prognozy, odstające dane wejściowe oraz obszary niskiej obserwacji. Konsekwencją tych reguł są trzy możliwe działania:
- brak operacji (system pozostaje w trybie monitorowania);
- zastąpienie prognozy bezpieczną wartością;
- zwrócenie błędu i odrzucenie prognozy.