Il prossimoAvanti in Fondamenti di intelligenza artificiale
Spiegazione dei modelli di intelligenza artificiale
Fondamenti
GUIDA AI FONDAMENTALI
La formazione sull'intelligenza artificiale è il processo di adattamento di un modello di apprendimento automatico utilizzando esempi e un obiettivo di apprendimento.
Ascolta questa guidaNarrato dall'IA · ~2 min
Produce parametri appresi, come i pesi in una rete neurale. L'addestramento è diverso dal fornire istruzioni a un modello già addestrato.
Un percorso di formazione supervisionato inizia con input e risposte target. Il modello prevede una risposta, una funzione di perdita misura la discrepanza e un algoritmo di ottimizzazione aggiorna i suoi parametri. Ripetere questa operazione su serie di esempi può ridurre la perdita. Un'epoca indica un passaggio attraverso il set di dati di addestramento; non è una garanzia di progresso. Il set di dati e l'obiettivo definiscono ciò che il modello viene ricompensato per l'apprendimento. Addestrare un modello per prevedere un acquisto insegna un compito diverso dall'addestrarlo per stimare la soddisfazione del cliente. Un’etichetta conveniente può essere un pessimo sostituto del risultato che conta. Utilizza esempi di convalida per scegliere le impostazioni, quindi valuta il modello selezionato su un set di test separato. Conserva insieme i record appartenenti alla stessa persona, documento o evento quando la suddivisione potrebbe altrimenti causare la perdita di informazioni. Per le previsioni, valutare su periodi successivi anziché consentire osservazioni future nelle previsioni precedenti. Salva la versione dei dati, le regole di preelaborazione, la configurazione del modello e i risultati della valutazione con ogni checkpoint. Un modello salvato senza tokenizzatore o trasformazioni di funzionalità potrebbe non riprodurre il comportamento originale. La formazione è completa solo per un esperimento definito; la distribuzione dei risultati aggiunge responsabilità di monitoraggio e operative.
04Esempio lavorato
Utilizzare la previsione del modello illustrativo = peso × input, con input 2, target 6 e peso iniziale 1.
L'errore quadrato è (2 − 6)² = 16. La sua derivata rispetto al peso è 2 × 2 × (2 − 6) = −16.
Al tasso di apprendimento 0,1, il peso successivo è 1 − 0,1 × (−16) = 2,6. La nuova previsione è 5,2 e l'errore quadrato è 0,64.
Cosa mostra
Questo calcolo costruito mostra un aggiornamento dei parametri. Un esempio migliorato non stabilisce le prestazioni sui nuovi esempi.
Addestra un piccolo classificatore sulle richieste di supporto etichettate e valutalo una settimana successiva.
Confronta una previsione della domanda addestrata con una semplice base di riferimento dell'ultima settimana prima di renderla operativa.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Un prompt modifica il contesto corrente. Di per sé non implica un aggiornamento del peso. Il fatto che un servizio utilizzi successivamente l'interazione per l'addestramento dipende dalla sua policy sui dati separata.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoAvanti in Fondamenti di intelligenza artificiale
Spiegazione dei modelli di intelligenza artificiale
Fondamenti