Co to jest uczenie maszynowe (machine learning)?

Jak działa uczenie maszynowe

Klasyczny program to reguły napisane przez człowieka: jeśli kwota przekracza 15 000 zł, wyślij do akceptacji. W uczeniu maszynowym reguł nikt nie pisze. Program dostaje tysiące przykładów z gotowymi odpowiedziami, na przykład maile oznaczone jako spam i nie-spam, i sam znajduje wzorce, które je odróżniają. Potem stosuje je do nowych przypadków.

Sprawdza się tam, gdzie reguł jest za dużo, żeby je spisać, albo nikt ich do końca nie zna. Doświadczony handlowiec „czuje”, który klient kupi. Model uczony na historii sprzedaży potrafi to przeczucie zamienić w liczbę.

Rodzaje uczenia maszynowego

Uczenie nadzorowane korzysta z przykładów z odpowiedziami i służy do klasyfikacji oraz prognoz. Nienadzorowane samo szuka struktury w danych, na przykład grupuje klientów o podobnych zachowaniach. Uczenie ze wzmocnieniem polega na nagradzaniu dobrych decyzji i karaniu złych. Tej metody używa się też przy dopracowywaniu modeli językowych, żeby odpowiadały pomocnie.

Głębokie uczenie to uczenie maszynowe na sieciach neuronowych z wieloma warstwami. Z niego wyrosła architektura transformer, a z niej duże modele językowe.

Nie wszystko potrzebuje modelu językowego

Moda na generatywną AI sprawiła, że do każdego problemu przykłada się LLM. Tymczasem prognoza zapotrzebowania na towar, wykrywanie nietypowych transakcji czy przewidywanie, który klient zrezygnuje z abonamentu, to zadania dla klasycznego uczenia maszynowego na danych liczbowych. Zwykle wychodzi taniej, szybciej i dokładniej niż z modelem językowym, który w liczbach czuje się gorzej niż w tekście.