Formation IA

Une formation supervisée commence par des entrées et des réponses cibles. Le modèle prédit une réponse, une fonction de perte mesure l'écart et un algorithme d'optimisation met à jour ses paramètres. Répéter cette opération sur des lots d’exemples peut réduire la perte. Une époque signifie un passage dans l'ensemble de données d'entraînement ; ce n'est pas une garantie de progrès. L'ensemble de données et l'objectif définissent ce que le modèle est récompensé pour l'apprentissage. Entraîner un modèle pour prédire un achat enseigne une tâche différente de l’entraîner pour estimer la satisfaction du client. Une étiquette pratique peut ne pas remplacer le résultat qui compte. Utilisez des exemples de validation pour choisir les paramètres, puis évaluez le modèle sélectionné sur un ensemble de test distinct. Conservez ensemble les enregistrements appartenant à la même personne, au même document ou au même événement, car le fractionnement entraînerait autrement une fuite d'informations. Pour les prévisions, évaluez sur des périodes ultérieures plutôt que de prendre en compte les observations futures dans les prévisions antérieures. Enregistrez la version des données, les règles de prétraitement, la configuration du modèle et les résultats de l'évaluation avec chaque point de contrôle. Un modèle enregistré sans son tokenizer ou ses transformations de fonctionnalités peut ne pas reproduire le comportement d'origine. La formation n'est complète que pour une expérience définie ; le déploiement du résultat ajoute des responsabilités de surveillance et d’exploitation.