Q:
Como os profissionais de aprendizado de máquina usam previsão estruturada?
UMA:Os profissionais de aprendizado de máquina usam a previsão estruturada de várias maneiras, geralmente aplicando alguma forma de técnica de aprendizado de máquina a um objetivo ou problema específico que pode se beneficiar de um ponto de partida mais ordenado para a análise preditiva.
Uma definição técnica de previsão estruturada envolve "prever objetos estruturados em vez de valores discretos ou reais escalares".
Outra maneira de dizer isso seria que, em vez de simplesmente medir variáveis individuais no vácuo, as previsões estruturadas funcionam a partir de um modelo de uma estrutura específica e a usam como base para aprender e fazer previsões. (Leia Como a IA pode ajudar na previsão de personalidade?)
As técnicas para previsão estruturada são amplamente variáveis - desde técnicas bayesianas até programação lógica indutiva, redes lógicas Markov e máquinas vetoriais de suporte estruturado ou algoritmos de vizinhos mais próximos, os profissionais de aprendizado de máquina têm um amplo conjunto de ferramentas à sua disposição para aplicar nos problemas de dados.
O que é comum nessas idéias é o uso de alguma estrutura subjacente na qual o trabalho de aprendizado de máquina se baseia inerentemente.
Os especialistas geralmente dão a idéia do processamento de linguagem natural, onde partes da fala são marcadas para representar elementos de uma estrutura de texto - outros exemplos incluem o reconhecimento óptico de caracteres, onde um programa de aprendizado de máquina reconhece palavras manuscritas ao analisar segmentos de uma determinada entrada ou imagem complexa processamento, em que os computadores aprendem a reconhecer objetos com base em entradas segmentadas, por exemplo, com rede neural convolucional composta de muitas "camadas".
Os especialistas podem falar sobre classificação multiclasse linear, funções de compatibilidade linear e outras técnicas básicas para gerar previsões estruturadas. Em um sentido muito geral, previsões estruturadas se baseiam em um modelo diferente do campo mais amplo de aprendizado de máquina supervisionado - voltando ao exemplo de previsões estruturadas no processamento de linguagem natural e fonemas ou palavras marcados, vemos que o uso da rotulagem para o aprendizado de máquina supervisionado é orientado para o próprio modelo estrutural - o texto significativo que é fornecido, talvez em conjuntos de testes e conjuntos de treinamento.
Então, quando o programa de aprendizado de máquina é liberado para realizar seu trabalho, ele se baseia no modelo estrutural. Isso, dizem os especialistas, explica um pouco de como o programa entende como utilizar partes do discurso, como verbos, advérbios, adjetivos e substantivos, em vez de confundi-los com outras partes do discurso, ou não ser capaz de distinguir como eles funcionam em um contexto global. . (Leia Como seus dados estão estruturados? Examinando dados estruturados, não estruturados e semiestruturados.)
O campo da previsão estruturada continua sendo uma parte essencial do aprendizado de máquina, à medida que vários tipos de aprendizado de máquina e inteligência artificial evoluem.
