Návrh tréningových dát
Návrh dát určuje, aké javy majú byť v učiacej množine zastúpené, kde vznikajú a v ktorom okamihu sú známe.
Príklad z pracovného postupu
Pri odhade vyťaženia dielne na pondelok máme k dispozícii plán zmien z piatka. Skutočný počet odpracovaných hodín z pondelka už pri rozhodovaní nepoznáme. Práve táto hranica určuje, ktoré polia patria do vstupu.
Ako výsledok overiť
Rozdelíme dáta podľa času alebo zákazníka a preveríme dostupnosť každého atribútu k okamihu rozhodnutia.
Ako vyhodnotiť účinok zmeny v tréningu
Pre experiment si odložíme nemenný referenčný súbor. Záznamy od jednej organizácie alebo varianty rovnakého dokumentu môžu byť takmer totožné. Ich náhodné rozdelenie medzi tréning a test by vytvorilo zavádzajúci dojem, že model spoľahlivo zovšeobecňuje aj na nové prípady.
Pri porovnaní verzií evidujeme pôvod dát, rozhodnutie o čistení, konfiguráciu experimentu a rozdelenie chýb. O nasadení má rozhodnúť využiteľnosť na cieľovom procese spolu s nákladmi na správu a obnovu.
Vzorka má zachytiť aj podmienky, v ktorých bude model dostávať neúplné prípady
Hotové archívne prípady často obsahujú poznámku s konečným riešením. Ak má model pomáhať hneď pri prijatí podnetu, v tom okamihu poznámka ešte chýba. Pri skladaní vstupu preto obnovíme údaje, ktoré mal pracovník skutočne k dispozícii pred rozhodnutím.
K príkladu uložíme pôvod dostupných polí aj čas doplnenia výsledku. Umožní to skontrolovať, či úspech na testovacej vzorke nestojí na informácii, ktorá sa do systému dostane až po uzavretí prípadu.
Otázky z praxe
Ako spoznať údaj, ktorý by v čase reálneho rozhodnutia nebol dostupný?
Pri každom atribúte zapíšeme okamih jeho vzniku a čas, keď ho systém naozaj dostal. Pri odhade meškania zákazky nemožno použiť poznámku, ktorú pracovník doplnil až po jej omeškaní. Historickú vzorku zostavíme tak, ako vyzerala pred rozhodnutím, vrátane vtedajších chýbajúcich údajov.
Čo keď zriedkavá chyba prakticky rozhoduje o úspechu?
Zriedkavé prípady potrebujeme vidieť oddelene, aj keď v bežnej prevádzke tvoria malý podiel. Zostavíme súbor hraničných príkladov a zároveň zachováme test zodpovedajúci reálnemu výskytu. Prvý odhalí charakter chyby, druhý pomôže odhadnúť počet zásahov pracovníka za skutočné obdobie.
Má ísť opravený doklad do dát spolu s pôvodným?
Závisí od toho, ktorú činnosť učíme. Pri hľadaní opráv potrebujeme pôvodný doklad aj jeho opravu s jasnou väzbou, pri čítaní konečnej sumy rozhoduje platná revízia. Súvisiace verzie ponecháme v tej istej dátovej skupine, aby jedna neprezradila odpoveď k druhej v teste.
Súvisiace stránky
-
Anotácia a označovanie dát
Anotácia priraďuje vzorke triedu, časový úsek, oblasť obrazu alebo štruktúrovaný údaj podľa vopred určených pravidiel.
Otvoriť -
Fine-tuning
Doladenie upravuje parametre predtrénovaného modelu pomocou ďalších príkladov.
Otvoriť -
Riešenia s umelou inteligenciou
Vyvíjame AI funkcie pre firemný softvér. Model pripraví návrh zo správy alebo dokladu, pracovník skontroluje zdroj a potvrdí zápis do systému.
Otvoriť