Q:
Hvordan bruger fagfolk i maskinlæring struktureret forudsigelse?
EN:Maskinlæringsfagfolk bruger struktureret forudsigelse på en lang række måder, typisk ved at anvende en form for maskinindlæringsteknologi til et bestemt mål eller et problem, der kan drage fordel af et mere ordnet udgangspunkt for forudsigelig analyse.
En teknisk definition af struktureret forudsigelse involverer "at forudsige strukturerede objekter snarere end skalære diskrete eller reelle værdier."
En anden måde at sige, det ville være, at i stedet for blot at måle individuelle variabler i et vakuum, fungerer strukturerede forudsigelser ud fra en model af en bestemt struktur og bruger det som et grundlag for at lære og fremsætte forudsigelser. (Læs Hvordan kan AI hjælpe med at forudsige personlighed?)
Teknikkerne til struktureret forudsigelse er vidt forskellige - fra Bayesianske teknikker til induktiv logisk programmering, Markov-logiknetværk og strukturerede supportvektormaskiner eller nærmeste naboalgoritmer, maskiner til indlæring af maskiner har et bredt værktøjssæt til rådighed til at anvende til dataproblemer.
Det, der er almindeligt i disse ideer, er brugen af en eller anden underliggende struktur, som maskinindlæringsarbejdet bygger på iboende.
Eksperter giver ofte ideen om naturlig sprogbehandling, hvor dele af talen er mærket for at repræsentere elementer i en tekststruktur - andre eksempler inkluderer optisk tegngenkendelse, hvor et maskinindlæringsprogram genkender håndskrevne ord ved at analysere segmenter af et givet input eller komplekst billede behandling, hvor computere lærer at genkende objekter baseret på segmenteret input, for eksempel med indviklet neuralt netværk bestående af mange “lag”.
Eksperter kan tale om lineær klassificering i flere klasser, lineære kompatibilitetsfunktioner og andre basisteknikker til generering af strukturerede forudsigelser. I en meget generel forstand bygger strukturerede forudsigelser på en anden model end det bredere felt med overvåget maskinlæring - for at gå tilbage til eksemplet med strukturerede forudsigelser i naturlig sprogbehandling og mærkede fonemer eller ord, ser vi, at brugen af mærkningen til overvåget maskinlæring er orienteret mod selve den strukturelle model - den meningsfulde tekst, der leveres, måske i testsæt og træningssæt.
Når maskinlæringsprogrammet derefter slippes løs for at udføre sit arbejde, bygger det på den strukturelle model. Det, siger eksperter, forklarer noget af, hvordan programmet forstår, hvordan man bruger dele af talen som verb, adverb, adjektiver og substantiv, snarere end at forveksle dem med andre dele af talen, eller ikke være i stand til at skelne, hvordan de fungerer i en global kontekst . (Læs hvor strukturerede er dine data? Undersøgelse af strukturerede, ustrukturerede og halvstrukturerede data.)
Feltet med struktureret forudsigelse er fortsat en vigtig del af maskinlæring, når forskellige typer maskinlæring og kunstig intelligens udvikler sig.
