Cuprins 7 secțiuni
Când se vorbește despre învățarea supervizată și nesupervizată, de fapt se vorbește despre două moduri diferite în care un program poate învăța din date. În primul caz, programul primește exemple împreună cu răspunsul corect și învață să-l reproducă pe date noi. În al doilea, primește doar date brute și trebuie să găsească singur o ordine în ele. Diferența pare tehnică, dar determină ce poți construi, cât costă și cât de ușor îți verifici rezultatul.
Ambele sunt ramuri ale învățării automate, iar pentru imaginea de ansamblu a domeniului merită parcurs și ghidul principal despre inteligența artificială. Mai jos le iei pe rând, cu exemple din viața de zi cu zi.
Ce este învățarea supervizată?
Învățarea supervizată este metoda în care modelul învață dintr-un set de exemple în care fiecare intrare are deja atașat răspunsul corect, numit etichetă. Gândește-te la un elev care rezolvă probleme cu baremul alături: după fiecare încercare vede dacă a greșit și își ajustează metoda.
Un exemplu clasic este filtrul de spam. Cineva a marcat zeci de mii de mesaje drept „spam” sau „legitim”, iar modelul caută trăsăturile care le deosebesc: anumite formulări, expeditori, structura linkurilor. După antrenare, primește un mesaj nou, necunoscut, și estimează în ce categorie intră.
Cele două familii de probleme
Problemele supervizate se împart în două mari categorii:
- Clasificare: răspunsul este o categorie. Un email este spam sau nu, o radiografie conține sau nu o anomalie care cere atenția medicului, o poză înfățișează o pisică sau un câine.
- Regresie: răspunsul este o valoare numerică. De exemplu, estimarea consumului de energie al unei clădiri în funcție de suprafață, sezon și număr de locatari.
Ce au în comun: ai nevoie de date etichetate, iar etichetarea înseamnă muncă. Cineva trebuie să se uite la fiecare exemplu și să decidă răspunsul corect, iar calitatea acelor decizii se vede direct în calitatea modelului.
Ce este învățarea nesupervizată?
Învățarea nesupervizată este metoda în care modelul primește date fără nicio etichetă și caută singur structură în ele: grupuri, asemănări, tipare repetate. Nu există barem. Programul nu știe ce „ar trebui” să găsească, ci doar ce seamănă între ele și ce diferă.
Cea mai cunoscută tehnică se numește clustering, adică gruparea elementelor asemănătoare. Un magazin online poate da modelului istoricul de cumpărături al clienților, fără alte indicații, iar modelul poate propune, de exemplu, patru grupuri de clienți cu obiceiuri distincte. Oamenii din magazin sunt cei care dau apoi nume grupurilor și decid ce fac cu ele.
Alte utilizări
Aceeași abordare apare și în detectarea anomaliilor: un sistem care a văzut mii de tranzacții obișnuite poate semnala una care iese din tipar, fără ca cineva să-i fi explicat vreodată cum arată o fraudă. Mai există reducerea dimensiunii, adică simplificarea unor date cu foarte multe coloane până rămân doar direcțiile care contează, util mai ales pentru vizualizare.
Care sunt diferențele practice dintre ele?
Cea mai importantă diferență este că învățarea supervizată răspunde la o întrebare pusă dinainte, iar cea nesupervizată te ajută să afli ce întrebări merită puse. Restul diferențelor decurg de aici.
| Criteriu | Supervizată | Nesupervizată |
|---|---|---|
| Date de intrare | exemple cu etichetă | date brute, fără etichetă |
| Scop | prezicerea unui răspuns | descoperirea unei structuri |
| Verificarea rezultatului | simplă: compari cu răspunsul corect | dificilă: nu există răspuns de referință |
| Cost de pregătire | ridicat, din cauza etichetării | mai mic, dar interpretarea cere muncă |
| Exemplu | clasificarea emailurilor | gruparea clienților |
În practică, verificarea este punctul sensibil. Un model supervizat poate fi evaluat cu cifre clare, de pildă din 100 de mesaje noi câte a clasificat corect. Un model nesupervizat produce grupuri care pot fi utile sau pur și simplu fără sens, iar judecata finală aparține unui om care cunoaște domeniul.
Există și variante intermediare?
Da, iar ele sunt foarte folosite, tocmai pentru că etichetarea costă. Învățarea semisupervizată pornește de la un număr mic de exemple etichetate și un număr mare de neetichetate, și folosește structura celor din urmă pentru a întări modelul. Învățarea auto-supervizată creează etichetele chiar din date: modelul primește o propoziție cu un cuvânt ascuns și trebuie să-l ghicească, iar răspunsul corect există deja în textul original.
Aceasta din urmă stă la baza modelelor de limbaj. Modul în care funcționează este descris în Modelele de limbaj mari (LLM): cum generează text, iar ideea de bază se vede ușor: nimeni nu a etichetat manual miliardele de propoziții folosite la antrenare, pentru că fiecare propoziție își conține singură „răspunsul”.
Mai există învățarea prin recompensă, în care un sistem încearcă acțiuni și primește un punctaj. Nu este nici supervizată, nici nesupervizată, ci o a treia categorie, folosită la jocuri, robotică și la rafinarea comportamentului unor asistenți.
Cum alegi între ele pentru o problemă concretă?
Alegi învățarea supervizată dacă ai o țintă clară și date etichetate, iar nesupervizată dacă vrei doar să explorezi ce ascund datele. Câteva întrebări simple ajută:
- Știi exact ce vrei să prezici? Dacă da, ai nevoie de supervizată.
- Ai deja răspunsurile corecte pentru un număr mare de cazuri? Fără ele, supervizata nu pornește.
- Vrei să afli ce tipuri de cazuri există, fără ipoteze? Atunci nesupervizata este punctul de plecare.
- Poți plăti etichetarea manuală? Dacă nu, merită analizate variantele semisupervizate.
Sfat: în multe proiecte reale începi cu o explorare nesupervizată, ca să înțelegi datele, și abia apoi construiești un model supervizat pe grupurile care s-au dovedit utile.
Un exemplu: o bancă are milioane de tranzacții (genul de volum discutat în Big data: ce înseamnă și cum se analizează volumele mari) și vrea să prindă fraudele. Dacă nu are fraude marcate, pornește cu detectarea anomaliilor, iar analiștii confirmă manual cazurile suspecte. Pe măsură ce lista confirmărilor crește, devine un set etichetat și se poate antrena un model supervizat, mai precis.
Ce greșeli apar des?
Prima greșeală este să crezi că un model nesupervizat „a descoperit adevărul”. El a găsit o grupare matematică, iar dacă datele au fost alese prost, gruparea reflectă defectele colecției, nu realitatea. A doua este să te bazezi pe etichete făcute în grabă: dacă oamenii care au etichetat au fost inconsecvenți, modelul supervizat învață inconsecvența. Aspectul acesta este strâns legat de calitatea materialului de antrenare, tratată în Datele de antrenament AI: surse, calitate și limite.
A treia greșeală este supraînvățarea, când modelul memorează exemplele în loc să extragă regula. Rezultatul arată excelent pe datele cunoscute și slab pe cele noi. De aceea se păstrează întotdeauna un set de date separat, nefolosit la antrenare, pe care modelul se testează.
Întrebări frecvente
Care este diferența principală dintre învățarea supervizată și cea nesupervizată?
Cea supervizată folosește date cu răspunsul corect atașat și învață să prezică acel răspuns. Cea nesupervizată primește date fără etichete și caută singură grupuri sau tipare.
Un asistent AI este supervizat sau nesupervizat?
Un model de limbaj folosește mai ales învățare auto-supervizată în prima fază, apoi etape supervizate și bazate pe recompensă pentru a-i îmbunătăți comportamentul. Combinația este mai realistă decât o etichetă unică.
De ce este scumpă învățarea supervizată?
Pentru că etichetele sunt create, de obicei, de oameni care analizează fiecare exemplu. Cu cât setul este mai mare și domeniul mai specializat, cu atât crește costul.
Se poate verifica un rezultat nesupervizat?
Doar indirect: prin măsuri matematice de coerență a grupurilor și, mai ales, prin evaluarea unui specialist din domeniu. Nu există un răspuns de referință cu care să-l compari.
Pot combina cele două metode?
Da, și se face frecvent. Explorarea nesupervizată arată ce structuri există, iar apoi un model supervizat este antrenat pe categoriile care au sens practic.
