Centrum wiedzy o technologiach i pracy w IT

Machine Learning ulepszony informacjami zwrotnymi

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.
Total
0
Shares
_podobne artykuły