Genel Bakış
Kendi kendini denetleyen öğrenme, cevabı verinin içinde gizli olan bir görev icat ederek modelleri etiketlenmemiş veriler üzerinde eğitir. Modern dil ve vizyon temel modelleri, insan etiketleyici orduları olmadan ham internetten bu şekilde öğreniyor.
Kendi Kendine Denetimli Öğrenme, temel yapay zeka araç setinde yer alır. Bunu anladığınızda diğer yapay zeka konularının değerlendirilmesi ve karşılaştırılması daha kolay hale gelir.
Derin Dalış
Verileri elle etiketlemek yavaş ve pahalıdır, ancak dünya etiketlenmemiş metin, resim, ses ve videoyla doludur. Kendi kendini denetleyen öğrenme, verinin kendi yanıtını sağladığı 'bahane görevleri' yaratarak bu sorunun kilidini açar. Bunun klasik örneği, BERT tarafından kullanılan maskelenmiş dil modellemesidir: Bir cümledeki bazı kelimeleri gizleyin ve modeli, bunları bağlamdan tahmin edecek şekilde eğitin. GPT tarzı modeller bir sonraki kelimeyi tahmin eder. Görüş alanında, SimCLR gibi karşılaştırmalı yöntemler, modele aynı görüntünün iki artırılmış görüntüsünü gösterir ve farklı görüntüleri birbirinden ayırırken modele bunların birbirine ait olduğunu öğretir. Kendi kendine yapılan bu bulmacaları çözmek, modeli anlam ve yapıya ilişkin zengin içsel temsiller oluşturmaya zorlar. Bu temsiller daha sonra çok az etiketli veriyle veya hiç etiketlenmemiş veriyle gerçek aşağı akış görevlerine güçlü bir şekilde aktarılır.
Teknik Bilgi
İşin püf noktası, ücretsiz olarak bir denetim sinyali üretmektir. Maskeli modellemede gizli belirteç etikettir, dolayısıyla kayıp herhangi bir insan açıklaması olmadan hesaplanabilir. Karşılaştırmalı öğrenmede, bir görüntünün iki büyütmesi, yerleştirme alanında birbirine yakın durması gereken bir 'pozitif çift' oluştururken, diğer görüntüler 'negatifler' bir kenara itilir. Her iki durumda da model, tamamen verinin kendi yapısından türetilen etiketler üzerinde optimize edilir ve daha sonra yalnızca hafif ince ayar gerektiren genel özellikler öğrenilir.
Kendi Kendine Denetimli Öğrenmede Uzmanlaşmak
Kendi kendini denetleyen öğrenme, cevabı verinin içinde gizli olan bir görev icat ederek modelleri etiketlenmemiş veriler üzerinde eğitir. Modern dil ve vizyon temel modelleri, insan etiketleyici orduları olmadan ham internetten bu şekilde öğreniyor. Kendi Kendine Denetimli Öğrenme, temel yapay zeka araç setinde yer alır. Bunu anladığınızda diğer yapay zeka konularının değerlendirilmesi ve karşılaştırılması daha kolay hale gelir. Derin bir anlayış oluşturmak için, Kendi Kendine Denetimli Öğrenmeyi tek bir özellik olarak değil, bir işletim modeli olarak ele alın: arzu edilen sonuçları tanımlayın, varsayımları netleştirin ve sistemin güvenilir bir şekilde yapabileceklerini hâlâ uzman görüşü gerektiren şeylerden ayırın.
Uygulamada, Kendi Kendini Yöneten Öğrenmeyi kullanan güçlü ekipler önce güçlü kavramsal modeller oluşturur, ardından bu modelleri gerçek üretim kısıtlamalarıyla eşleştirir. Açık başarı kriterlerini belgeliyorlar, gerçekçi verilere ve iş akışlarına göre test ediyorlar ve tek seferlik kıyaslama kazanımları yerine gözlemlenen başarısızlık modellerine dayalı olarak yineleniyorlar. Burası teorik anlayışın ürün, politika ve operasyonlar genelinde dayanıklı yeteneğe dönüştüğü yerdir.
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur. Aynı zamanda, Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın. En dayanıklı yaklaşım, deneme hızını yönetişim disiplini ile birleştirmektir: pilot uygulamaları çalıştırın, kanıtları toplayın, karar günlüklerini yayınlayın ve model davranışı, kullanıcı beklentileri ve düzenleyici gereksinimler geliştikçe koruma önlemlerini sürekli olarak güncelleyin.
Stratejik Etki
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Gerçek Dünya Uygulaması
BERT, maskelenmiş kelimeleri tahmin ederek, ardından arama, duyarlılık veya soru yanıtlama için ince ayar yaparak dili öğreniyor
SimCLR, daha sonra çok az etiketle sınıflandırma yapabilmesi için görüntü kodlayıcıyı etiketlenmemiş fotoğraflar üzerinde önceden eğitiyor
Devasa metin külliyatında bir sonraki jetonu tekrar tekrar tahmin ederek yazmayı öğrenen GPT tarzı modeller
Transkripsiyona uyarlanmadan önce ham etiketsiz ses (maskeli ses bölümlerini tahmin ederek) üzerinde önceden eğitilen konuşma modelleri
Uygulama Modelleri
Uygulamada Kendi Kendine Denetimli Öğrenme
BERT, maskelenmiş kelimeleri tahmin ederek, ardından arama, duyarlılık veya soru yanıtlama için ince ayar yaparak dil öğreniyor.
BERT, maskelenmiş kelimeleri tahmin ederek ve ardından arama, duyarlılık veya soru yanıtlama için ince ayar yaparak dili öğrenir. Ekipler genellikle kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolunu tuttuklarında ve hem üretkenlik kazanımlarını hem de zaman içindeki hata maliyetlerini takip ettiklerinde daha iyi sonuçlar elde ederler.
Uygulamada Kendi Kendine Denetimli Öğrenme
SimCLR, daha sonra çok az etiketle sınıflandırma yapabilmesi için görüntü kodlayıcıyı etiketlenmemiş fotoğraflar üzerinde önceden eğitiyor.
SimCLR, görüntü kodlayıcıyı etiketlenmemiş fotoğraflar üzerinde önceden eğitiyor, böylece daha sonra çok az etiketle sınıflandırabiliyor Ekipler genellikle kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolunu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde daha iyi sonuçlar elde ediyorlar.
Uygulamada Kendi Kendine Denetimli Öğrenme
GPT tarzı modeller, devasa metin derlemesinde bir sonraki belirteci tekrar tekrar tahmin ederek yazmayı öğreniyor.
GPT tarzı modeller, devasa metin kümesinde bir sonraki jetonu tekrar tekrar tahmin ederek yazmayı öğreniyor Ekipler, kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolunu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde genellikle daha iyi sonuçlar elde ederler.
Uygulamada Kendi Kendine Denetimli Öğrenme
Konuşma modelleri, transkripsiyona uyarlanmadan önce ham etiketsiz ses (maskeli ses bölümlerini tahmin ederek) üzerinde önceden eğitilmiştir.
Konuşma modelleri, transkripsiyona uyarlanmadan önce ham etiketsiz ses (maskeli ses bölümlerini tahmin ederek) üzerinde önceden eğitilmiştir. Ekipler genellikle kalite eşiklerini önceden tanımladıklarında, uç durumlar için insani bir yükseltme yolu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini izlediklerinde daha iyi sonuçlar elde ederler.
Riskler ve Korkuluklar
Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Uygulama Yol Haritası
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Kendi Kendine Denetimli Öğrenmenin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Kendi Kendine Denetimli Öğrenmenin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.