AI技术干货|生成式人工智能详解2:生成式人工智能的基石-监督与非监督机器学习

金博士| 流媒体网| 2023-07-11

【流媒体网】摘要：机器学习模型的两种最常见类型监督学习和非监督学习，共同构成了人工智能架构的基石

　　通过本文的阅读和学习，您将学习到以下内容：

　　- 定义[[生成式人工智能（Generative AI）]]：生成式人工智能是一种通过对大量数据进行学习，从而能够创建新的、与原始数据类似的内容的人工智能技术。这些新生成的内容可能包括文字、图片、音乐等。

　　- 解释生成式人工智能的工作原理：生成式人工智能的基础是机器学习模型，特别是深度学习模型，这些模型通过学习大量的训练数据来理解其中的模式和规律。然后，当给这些模型提供一个初始输入或"提示"时，它们就可以生成与训练数据有相似特征的新的内容。

　　- 描述生成式人工智能的模型类型：生成式人工智能的模型有很多种，包括生成对抗网络（GANs）、变分自编码器（VAEs）、自回归模型如Transformer等。不同类型的模型有不同的特点和应用场景。

　　- 描述生成式人工智能的应用：生成式人工智能有许多应用，包括创建新的艺术作品、生成文本、进行图像编辑和增强、生成音乐、生成视频等。此外，生成式人工智能在设计和建筑、电子游戏、医药研发等领域也有广泛的应用。

　　前文回顾：AI技术干货|生成式人工智能详解1:人工智能、机器学习和深度学习的比较

　　随着我们在人工智能领域的深入研究，我们来到了一个分水岭。这里有两条路径，分别指向机器学习模型的两种最常见类型监督学习和非监督学习。虽然这两种模型各有特点，但它们共同构成了人工智能架构的基石，并不断塑造并拓展了人工智能的能力和应用范围。

　　那么，是什么因素使这两种模型有所区别呢？监督学习和非监督学习模型的关键区别在于它们所依赖的训练数据的性质：也就是说，这些数据是带标签的还是不带标签的。在数据科学中，标签就像是一个指示牌，显示了项目的类型、类别或数值。因此，带标签的数据已经包含了解决问题的答案，而不带标签的数据则没有，它们就像是一个等待解答的谜。

　　让我们通过一个比喻来进一步阐释这个概念。

　　想象你是一个繁忙的超市经营者，你手头有大量历史销售数据，包括商品的种类、销售日期、销售数量等等。你想根据这些历史数据预测未来某个商品的销售数量，以便做出更好的库存管理决策。这就是一个典型的监督式学习的问题。

图 1 超市的销售预测

　　在这个场景中，销售日期和商品种类是输入或“特征”，而销售数量是“标签”或答案。你的目标是建立一个模型，根据销售日期和商品种类来预测销售数量。

　　为了训练这个模型，你会将历史数据输入到模型中，让模型学习到什么样的商品在什么样的日期（比如周末、节假日等）有什么样的销售数量。然后，模型会找到这些特征和标签之间的关系。

　　完成训练后，你可以将新的销售日期和商品种类输入到模型中，模型就能够预测出该商品在该日期的预期销售数量。如果模型的预测准确，你就可以基于这些预测做出更有效的库存管理决策，如提前进货、减少库存等，从而提高销售和降低存储成本。

　　这个例子就是典型的监督式学习，通过提供有标签的训练数据（即我们知道销售日期、商品种类和对应的销售数量），模型能够学习这些数据之间的关系，并用于预测新的、未知的情况。

　　当然，我们可以通过对这些销售数据的分析来为超市营业者提供一些运营建议。在这个简单的模拟示例中，我们假设销售数量是日期和商品种类的函数，但实际上销售数据可能会受到许多其他因素的影响，比如价格、促销活动、季节、竞争对手的行为等。

　　1. 库存管理：通过研究销售数据，超市可以找出哪些商品在哪个月份卖得最好，从而更好地管理库存。例如，如果某种商品在某个月份的销售量特别高，那么在这个月份之前，超市应当增加该商品的库存，以防止商品短缺。反之，如果某种商品在某个月份的销售量特别低，那么超市应当减少该商品的库存，以防止商品积压。

　　2. 促销策略：通过销售数据，超市也可以发现哪些商品是销售热点，哪些商品是滞销商品。对于销售热点，超市可以通过提高价格来提高利润；对于滞销商品，超市可以通过打折或组合销售等促销策略来提高销量。

　　3. 商品布局：超市可以根据各类商品的销售情况来调整商品的陈列位置，把销售量高的商品放在显眼的位置，把销售量低的商品放在与销售量高的商品相邻的位置，这样可以吸引顾客对滞销商品的关注，提高其销量。

　　4. 供应链管理：通过对销售数据的深度分析，超市还可以优化供应链管理，例如更加精准地预测需求，减少供应链中的延误和中断，提高供应链的效率和灵活性。

　　5. 个性化服务：如果销售数据包含了关于顾客的信息，那么超市可以通过数据分析来提供个性化的服务，例如针对每个顾客的购物习惯推送个性化的优惠券或商品推荐。

　　需要注意的是，以上的建议基于我们的假设数据。真实情况下的数据分析会更复杂，需要考虑更多的因素。

　　然而，非监督式学习面对的是另一种类型的问题。回到超市的例子，假设你现在想了解光顾你超市的顾客有哪些不同的类型。这次，你拥有顾客的数据，例如购物频次???（或他们光顾你超市的时间段）和购物金额，但你没有任何预先定义的群体。

VIP专享文章，请登录或扫描以下二维码查看