Šajā arhitektūras salīdzinājumā tiek pretstatīta iezīmju apguve, kur modelis atklāj datu patiesos cēloņsakarības atribūtus, ar fiktīvu modeļu apguvi, kur modelis izmanto virspusējas korelācijas. Lai gan iezīmju apguve rada ļoti vispārināmas sistēmas, fiktīvie modeļi rada trauslus modeļus, kas neparedzami neizdodas, ja tos izvieto reālās pasaules vidē.
Process, kurā mākslīgā intelekta sistēma automātiski iegūst jēgpilnus, stabilus un cēloņsakarību izklāstus no neapstrādātiem datiem.
Modeļu tendence izmantot necēloņsakarības, virspusējas korelācijas, kas ir patiesas tikai apmācības datu kopā.
| Funkcija | Funkciju apguve | Viltus modeļu apguve |
|---|---|---|
| Pamatmehānika | Apgūst galvenās cēloņsakarību īpašības | Izmanto nejaušas korelācijas |
| Vispārināšanas spēja | Augsts; labi pārnesams starp domēniem | Zems; sadalās ārpus apmācību sadalījuma |
| Noturība pret domēna maiņām | Spēcīgs; ignorē neatbilstošas konteksta izmaiņas | Trausls; viegli apjukst fona izmaiņu dēļ |
| Apmācības datu prasības | Nepieciešams daudzveidīgs konteksts un plašs izplatījums | Veiksmīgi apstrādā homogēnus, neobjektīvus datu kopumus |
| Modeļa izskaidrojamība | Cieši saskan ar cilvēka loģiku un nodomiem | Uzvedības analīzē šķiet ļoti neloģiski |
| Ievainojamība pret uzlaušanu | Izturīgs pret nelielām ievades izmaiņām | Ļoti neaizsargāts pret sīku pikseļu manipulācijām |
Dziļās mācīšanās modeļi būtībā ir slinki optimizācijas dzinēji; tie vienmēr izvēlēsies mazākās pretestības ceļu, lai samazinātu zaudējumu funkcijas. Iezīmju apguvē modelis konstruē sarežģītus, hierarhiskus faktiskā objekta attēlojumus, piemēram, transportlīdzekļa ģeometrisko formu. Viltus modeļu apguve notiek, ja datu kopā ir vienkāršāka alternatīva, piemēram, konkrēta ražotāja etiķete uz ceļa virsmas, ko tīkls izmanto, nevis apgūst pašu transportlīdzekli.
Kad modelis veiksmīgi apgūst funkciju apguvi, tā veiktspēja saglabājas ārkārtīgi stabila pat pārvietojoties starp atšķirīgām vidēm. Modeļi, kas iesprostoti ar viltus korelācijām, laboratorijā izskatās izcili, bet sabrūk uzreiz pēc izvietošanas. Piemēram, medicīniskais modelis, kas apmācīts plaušu slimību noteikšanai, var sasniegt perfektus rezultātus, netīšām nolasot slimnīcas rentgena aparāta specifisko fontu, padarot to nelietojamu jebkurā citā medicīnas iestādē.
Robežu starp šīm divām mācīšanās paradumiem tieši nosaka apmācības datu sastāvs. Homogēni datu kopumi, kuros fons vienmēr atbilst mērķa klasei, piemēram, vienmēr fotografējot kamieļus tuksnešos, praktiski piespiež modeli apgūt viltus modeļus. Patiesu iezīmju apguvei ir nepieciešama daudzveidīga datu apstrāde, kas apzināti atdala objektus no to tipiskās apkārtnes, piespiežot neironu tīklu koncentrēties uz pašu objektu.
Lai novērstu īsceļu izmantošanu, ir jāpāriet uz standarta empīriskām riska mazināšanas metodēm. Inženieri izmanto specializētas pieejas, piemēram, nemainīgu riska mazināšanu, konkurējošu apmācību un mērķtiecīgu datu palielināšanu, lai skaidri sodītu modeļus, kas balstās uz nestabiliem vides faktoriem. Šīs algoritmiskās barjeras virza optimizāciju uz nemainīgām funkcijām, kas saglabā paredzamības spēju dažādos datu sadalījumos.
Augsts precizitātes rādītājs lielā testa komplektā pierāda, ka modelis ir apguvis pareizās funkcijas.
Ja jūsu testa kopai ir tādas pašas datu vākšanas neobjektivitātes kā jūsu apmācības kopai, modelis, kas pilnībā balstās uz viltus saīsnēm, joprojām iegūs gandrīz perfektu rezultātu. Patiesu robustumu var pārbaudīt, tikai novērtējot modeli pilnīgi neatkarīgās, ārpus izplatīšanas datu kopās.
Lielākas neironu tīklu arhitektūras dabiski labāk izvairās no viltus modeļiem.
Modeļa kapacitātes palielināšana faktiski dod tam lielāku brīvību atklāt un iegaumēt sarežģītas, ļoti smalkas neīstas korelācijas. Bez pienācīgas regularizācijas vai datu daudzveidības lielāki modeļi var kļūt vēl prasmīgāki gudru īsceļu atrašanā nekā mazāki.
Viltus korelācijas ir retas anomālijas, kas rodas tikai slikti izstrādātos projektos.
Īsceļu apguve ir mašīnmācīšanās algoritmu noklusējuma uzvedība, jo neapstrādātos datos ir neticami daudz necēloņsakarību. Neironu tīkli vienmēr dos priekšroku vienkāršai fona tekstūrai, nevis sarežģītai strukturālai formai, ja vien tas nav nepārprotami spiests rīkoties citādi.
Datu papildināšana pilnībā novērš risku, ka modelis apgūst viltus modeļus.
Tādas pamata datu papildināšanas metodes kā apgriešana vai apgriešana izjauc tikai nelielu daļu no telpiskajiem saīsinājumiem. Tās pilnībā nespēj novērst dziļākas semantiskās neobjektivitātes, piemēram, mākslīgā intelekta sistēma saista noteiktas demogrāfiskās grupas ar karjeras klasifikācijām vēsturiski sagrozītu apmācības datu dēļ.
Veidojot modeļus mainīgām, augstas likmes vidēm, piemēram, autonomai braukšanai vai medicīnai, prioritizējiet iezīmju apguvi, izmantojot dažādus datus un nemainīguma ierobežojumus. Nepareizas modeļu apguves pieņemšana ir pieņemama tikai ļoti kontrolētās, statiskās sistēmās, kur apmācības sadalījums perfekti atspoguļo reālās pasaules izvietošanu bezgalīgi.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
