Derin öğrenme

Derin öğrenme, bir analistin elle tasarladığı özelliklere dayanmak yerine, özelliklerini veriden kendi öğrenen çok katmanlı sinir ağlarını kullanır. Modern dil modellerinin arkasındaki yöntem ailesidir; sayılar, zaman serileri, sensör sinyalleri ve birbiriyle ilişkili kayıtlardan oluşan ağlar için de aynı ölçüde bir araçtır.

Nerede işe yarar

Uzun ya da düzensiz diziler: olayların sırasının sinyal taşıdığı işlem geçmişleri veya ekipman telemetrisi gibi veriler. Yüksek hacimli sensör verisi: elle kurulan özellikler önemli örüntüleri kaçırır. İlişki verisi: ödeme ağları gibi, satır satır bakan bir modelin göremediği bağlantıları bir graf modeli görebilir. Çok büyük veri kümeleri: ek kapasitenin gerçekten kullanıldığı yerler.

Nerede gerekmez

İyi anlaşılmış birkaç bin satırlık tablo verisinde bir skor kartı ya da gradyan artırma (gradient boosting) modeli çoğu zaman bir o kadar isabetlidir; açıklaması, doğrulaması ve izlenmesi çok daha kolaydır. Derin model daha fazla veri, daha fazla hesaplama gücü ve tek bir sonucu açıklamak için daha fazla emek ister. Ek performans artışı temsil edici zaman dışı ve segment testlerinden sağ çıkıyor ve bu yükü hak ediyor mu? Bunu kanıt yanıtlar; varsayılan bir seçim yoktur.

Veri azsa

Büyük, herkese açık zaman serisi ya da tablo verisiyle önceden eğitilmiş bir ağ, kurumun kendi kayıtlarına göre ince ayarlanabilir veya kalibre edilebilir. Bu, yıllarca geçmiş birikmeden derin öğrenmeyi uygulanabilir kılabilir. Sonuç yine de yeni bir aday olarak, daha basit modellerle karşılaştırılarak değerlendirilir.

Makine öğrenmesi modelleri sayfası bu yöntemler arasında kullanım amacına ve kanıta göre seçim yapar; dil ve metin modelleri küçük dil modelleri alanına girer.