2. Jak se model učí z dat
Učení zde znamená hledání pravidelností
Strojové učení používá data k nastavení modelu, který má plnit určitou úlohu. Nemusíš ručně zapsat všechny kombinace vstupů. Místo toho například dodáš řadu zpráv se správně přiřazenými tématy a algoritmus zkouší nastavení, s nímž na těchto příkladech dělá méně chyb. Zda pak zvládne nové zprávy, se musí ověřit zvlášť.
Při učení s učitelem jsou k trénovacím vstupům připojené očekávané odpovědi neboli štítky. „Učitel“ tu nemusí být osoba sedící u počítače; označení vyjadřuje dostupnost cílových hodnot. Příkladem je rozpoznání, zda otázka míří na organizaci setkání, nebo na probíranou látku. Kvalita štítků ovlivňuje, co se model může naučit.
Učení bez učitele pracuje bez takových cílových štítků. Může hledat podobné skupiny poznámek nebo pravidelnosti ve velké sadě dat. Vzniklá skupina však automaticky není správné téma. Člověk musí posoudit, co spojuje její členy a zda je rozdělení pro daný účel užitečné. Podobnost ve zvolených znacích nemusí odpovídat tomu, co potřebuješ.
Další oblastí je učení posilováním: systém vybírá akce a získává zpětnou vazbu v podobě odměn. Opatrnost je potřebná při definování odměny. Pokud odměňuješ jen rychlost dokončení, systém nemusí respektovat jinou vlastnost, která nebyla zahrnuta. Pro tuto úvodní lekci stačí vědět, že způsob zpětné vazby ovlivňuje výsledné chování.
Vlastní příklad s kartičkami
Vytvoř šest kartiček s fiktivními otázkami. „Kde se potkáme?“ a „V kolik začínáme?“ označ ORGANIZACE. „Co je trénovací sada?“ a „Proč model dělá chyby?“ označ OBSAH. Zbývající dvě ponech pro ověření. Ručně navržené pravidlo může hledat slova kde a kdy; všimni si však, že otázka „Kde model hledá vzory?“ používá stejnou nápovědu s jiným významem.
Tento příklad ukazuje rozdíl mezi snadným znakem a skutečným smyslem úlohy. Model se může opřít o zkratku, která funguje ve většině trénovacích dat, ale selže v novém případě. Více dat pomůže jen tehdy, pokud přidá potřebnou rozmanitost a správné odpovědi. Mnoho kopií stejné kartičky nový rozdíl nevysvětlí.
Cvičení: navrhni učební příklady
- Napiš deset krátkých fiktivních dotazů a každý označ jednou ze dvou kategorií.
- Přidej tři otázky, které používají podobná slova v jiném významu. Zapiš očekávané štítky.
- Zkus vytvořit jednoduché ruční pravidlo a najdi případ, který je vyvrací.
- Popiš, jaké nové příklady by model potřeboval, aby se tento rozdíl mohl naučit.
Není nutné trénovat programový model, aby cvičení dávalo smysl. Jde o pochopení zadání, dat a zpětné vazby. Pokud později požádáš jazykový model o třídění podle několika vzorů v promptu, nepovažuj to automaticky za nový trénink jeho parametrů. Příklady v konverzaci a trénovací proces jsou odlišné způsoby práce.
Na závěr formuluj, co bude model považovat za správnou odpověď, odkud tento standard pochází a jak ověříš nové situace. Tím zabráníš záměně „model našel vzor“ za „model pochopil vše, co potřebujeme“. Schopnost rozlišovat tyto věci je užitečnější než znát velké množství názvů algoritmů bez vazby na konkrétní úlohu.