AI học như thế nào

Mục tiêu là làm tốt các ví dụ mới, không chỉ đơn thuần là ghi nhớ các ví dụ huấn luyện; một số hệ thống AI sử dụng các quy tắc rõ ràng và hoàn toàn không học theo cách đó.

Những điểm chính rút ra

• Huấn luyện thay đổi mô hình; suy luận sử dụng nó.
• Giữ các ví dụ đánh giá tách biệt với các ví dụ dùng để chọn hoặc huấn luyện mô hình.
• Hãy chọn các chỉ số phản ánh chi phí của sai sót, không chỉ là một con số chính xác lớn.

Trong học có giám sát, ví dụ huấn luyện ghép đầu vào với đầu ra mục tiêu. Mô hình dự đoán, hàm mất mát đo khoảng cách dự đoán đó đến mục tiêu, và thuật toán huấn luyện thay đổi mô hình để giảm mất mát. Mạng nơ-ron thường sử dụng tối ưu hóa dựa trên gradient, nhưng không phải thuật toán học nào cũng dùng gradient. Dữ liệu xác thực giúp các nhà phát triển chọn thiết lập và so sánh các mô hình ứng viên. Một bộ kiểm tra giữ lại cung cấp ước lượng riêng về hiệu suất sau khi các lựa chọn đó được thực hiện. Việc chọn mô hình lặp đi lặp lại dựa trên tập kiểm tra sẽ làm suy yếu sự tách biệt đó. Nếu cùng một người, tài liệu hoặc ví dụ gần như trùng lặp xuất hiện ở cả hai phía của một phân tách, kết quả có thể trông tốt hơn hiệu suất trên dữ liệu thực sự mới. Các thiết lập học tập khác sử dụng tín hiệu khác. Học không giám sát tìm kiếm cấu trúc mà không có nhãn mục tiêu cho mỗi ví dụ. Đào tạo tự giám sát tạo ra các nhiệm vụ dự đoán từ chính dữ liệu, chẳng hạn như dự đoán văn bản theo ngữ cảnh. Học tăng cường sử dụng phản hồi về hành động và kết quả. Trong mọi trường hợp, mục tiêu huấn luyện chỉ là đại diện hữu ích, không phải là định nghĩa đầy đủ về những gì người dùng muốn. Sau huấn luyện, suy luận là việc sử dụng mô hình để tạo ra đầu ra. Cung cấp ví dụ trong một lời nhắc có thể thay đổi phản hồi hiện tại mà không cần cập nhật trọng số đã học của mô hình. Việc một dịch vụ có sử dụng cuộc trò chuyện để huấn luyện sau này hay không là một câu hỏi riêng về sản phẩm và dữ liệu-chính sách.

1. Hãy tưởng tượng 100 tin nhắn thử nghiệm: 10 là thư rác và 90 là hợp lệ. Một hệ thống không bao giờ đánh dấu thư rác có độ chính xác 90% nhưng không bắt được thư rác nào.
2. Một hệ thống khác đánh dấu 20 tin nhắn. Tám tin nhắn thực sự là thư rác và 12 tin nhắn là thư rác hợp pháp. Nó bỏ sót hai tin nhắn rác.
3. Độ chính xác là 86%, độ chính xác là 8/20 = 40%, và khả năng thu hồi là 8/10 = 80%. Quyết định xem việc phát hiện 8 thư rác có đáng để đánh dấu nhầm 12 tin nhắn hợp lệ hay không.

Đây là các số lượng được sáng tạo cho ví dụ số học, không phải kết quả chuẩn. Chúng cho thấy tại sao một chỉ số đơn lẻ không thể xác định liệu một mô hình có phù hợp với nhiệm vụ hay không.