Tổng quan
Học tập tự giám sát đào tạo các mô hình trên dữ liệu chưa được gắn nhãn bằng cách phát minh ra một nhiệm vụ có câu trả lời được ẩn bên trong chính dữ liệu đó. Đó là cách các mô hình nền tảng ngôn ngữ và tầm nhìn hiện đại học hỏi từ internet thô mà không có đội quân người gắn nhãn.
Học tập tự giám sát nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh.
Lặn sâu
Việc ghi nhãn dữ liệu bằng tay rất chậm và tốn kém, tuy nhiên thế giới lại tràn ngập văn bản, hình ảnh, âm thanh và video không được gắn nhãn. Học tập tự giám sát mở khóa nó bằng cách tạo ra 'nhiệm vụ giả định' trong đó dữ liệu cung cấp câu trả lời của riêng nó. Ví dụ kinh điển là mô hình ngôn ngữ đeo mặt nạ, được BERT sử dụng: ẩn một số từ trong câu và huấn luyện mô hình để dự đoán chúng từ ngữ cảnh. Mô hình kiểu GPT dự đoán từ tiếp theo. Trong tầm nhìn, các phương pháp tương phản như SimCLR hiển thị cho mô hình hai phần cắt tăng cường của cùng một hình ảnh và dạy nó rằng chúng thuộc về nhau trong khi đẩy các hình ảnh khác nhau ra xa nhau. Việc giải những câu đố tự tạo này buộc mô hình phải xây dựng những cách thể hiện nội tại phong phú về ý nghĩa và cấu trúc. Sau đó, những biểu diễn đó được chuyển giao mạnh mẽ sang các tác vụ thực tế tiếp theo với ít hoặc không có dữ liệu được gắn nhãn.
Hiểu biết kỹ thuật
Bí quyết là tạo ra tín hiệu giám sát miễn phí. Trong mô hình đeo mặt nạ, mã thông báo ẩn là nhãn, do đó, tổn thất có thể được tính toán mà không cần bất kỳ chú thích nào của con người. Trong học tập tương phản, hai phần bổ sung của một hình ảnh tạo thành một 'cặp dương' sẽ nằm gần nhau trong không gian nhúng, trong khi các hình ảnh khác là 'âm bản' bị đẩy ra xa. Dù bằng cách nào, mô hình được tối ưu hóa trên các nhãn bắt nguồn hoàn toàn từ cấu trúc của chính dữ liệu, tìm hiểu các tính năng chung mà sau này chỉ cần tinh chỉnh nhẹ.
Làm chủ việc học tự giám sát
Học tập tự giám sát đào tạo các mô hình trên dữ liệu chưa được gắn nhãn bằng cách phát minh ra một nhiệm vụ có câu trả lời được ẩn bên trong chính dữ liệu đó. Đó là cách các mô hình nền tảng ngôn ngữ và tầm nhìn hiện đại học hỏi từ internet thô mà không có đội quân người gắn nhãn. Học tập tự giám sát nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh. Để xây dựng sự hiểu biết sâu sắc, hãy coi Học tập Tự giám sát như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể làm một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Học tập tự giám sát trước tiên sẽ xây dựng các mô hình khái niệm mạnh mẽ, sau đó ánh xạ các mô hình đó tới các hạn chế sản xuất thực tế. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Đồng thời, các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Học ngôn ngữ BERT bằng cách dự đoán các từ bị ẩn, sau đó tinh chỉnh để tìm kiếm, cảm xúc hoặc trả lời câu hỏi
SimCLR đào tạo trước bộ mã hóa hình ảnh trên các ảnh không được gắn nhãn để sau này có thể phân loại với rất ít nhãn
Mô hình kiểu GPT học cách viết bằng cách liên tục dự đoán mã thông báo tiếp theo trên kho văn bản khổng lồ
Các mẫu giọng nói được huấn luyện trước trên âm thanh thô chưa được gắn nhãn (dự đoán các phân đoạn âm thanh bị che) trước khi được điều chỉnh để phiên âm
Các mẫu triển khai
Học tập tự giám sát trong thực tế
BERT học ngôn ngữ bằng cách dự đoán các từ bị ẩn, sau đó tinh chỉnh để tìm kiếm, cảm xúc hoặc trả lời câu hỏi.
Học ngôn ngữ BERT bằng cách dự đoán các từ bị ẩn, sau đó tinh chỉnh để tìm kiếm, cảm tính hoặc trả lời câu hỏi. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Học tập tự giám sát trong thực tế
SimCLR huấn luyện trước bộ mã hóa hình ảnh trên các ảnh không được gắn nhãn để sau này có thể phân loại với rất ít nhãn.
SimCLR huấn luyện trước bộ mã hóa hình ảnh trên các ảnh không được gắn nhãn để sau này có thể phân loại với rất ít nhãn. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Học tập tự giám sát trong thực tế
Mô hình kiểu GPT học cách viết bằng cách liên tục dự đoán mã thông báo tiếp theo trên kho văn bản khổng lồ.
Các mô hình kiểu GPT học cách viết bằng cách liên tục dự đoán mã thông báo tiếp theo trên kho văn bản khổng lồ. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Học tập tự giám sát trong thực tế
Các mẫu giọng nói được huấn luyện trước trên âm thanh thô chưa được gắn nhãn (dự đoán các đoạn âm thanh bị che) trước khi được điều chỉnh để phiên âm.
Các mẫu giọng nói được huấn luyện trước trên âm thanh thô chưa được gắn nhãn (dự đoán các phân đoạn âm thanh bị che) trước khi điều chỉnh để phiên âm. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Ghi lại những chỗ Học tập tự giám sát hữu ích và những chỗ nào các phương pháp đơn giản hơn sẽ tốt hơn.
Ghi lại những chỗ Học tập tự giám sát hữu ích và những chỗ nào các phương pháp đơn giản hơn sẽ tốt hơn. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.