Ohjaamaton oppiminen

Tekoälyn ohjaamaton oppiminen on prosessi, jossa tekoälyjärjestelmä yrittää löytää piilotettuja kuvioita ja rakenteita datasta ilman ennakkoon merkittyjä vastauksia tai tuloksia. Toisin kuin ohjatussa oppimisessa, ohjaamattomassa oppimisessa järjestelmälle annetaan vain syöttedataa ilman, että siihen liittyy erityisiä oikeita vastauksia. Tämä mahdollistaa järjestelmän kyvyn ryhmitellä, segmentoida tai löytää suhteita datassa itsenäisesti.

Esimerkki 1:

Ryvästäminen: Yritys haluaa ymmärtää asiakkaidensa käyttäytymistä, mutta sillä ei ole ennakkoon luokiteltua dataa. Tekoälyjärjestelmää voidaan käyttää analysoimaan asiakastietoja ja ryhmittelemään asiakkaita ryhmiin samankaltaisten ominaisuuksien perusteella. Tämä auttaa yritystä ymmärtämään asiakassegmenttejään paremmin.

Esimerkki 2:

Pääkomponenttianalyysi (engl. Principal Component Analysis = PCA): Tekoälyjärjestelmää voidaan käyttää moniulotteisen, eli monen muuttujan datan vähentämiseen tai visualisoimiseen. Esimerkiksi, kun on monia muuttujia tai ominaisuuksia, järjestelmä voi löytää tapoja vähentää datan monimutkaisuutta löytämällä pääkomponentit, jotka selittävät suurimman osan datan vaihtelusta.

Esimerkki 3:

Yhdistäminen: Suositusjärjestelmissä, kuten verkkokaupoissa tai suoratoistopalveluissa, tekoälyjärjestelmää voidaan käyttää löytämään esineitä, jotka ovat todennäköisesti yhteydessä toisiinsa. Esimerkiksi, jos useat asiakkaat ostavat saman kirjan ja saman elokuvan, järjestelmä voi päätellä, että nämä kaksi tuotetta ovat yhteydessä toisiinsa, ja suositella niitä yhdessä muille asiakkaille.

Ohjaamaton oppiminen on erityisen hyödyllinen, kun datassa olevat suhteet eivät ole selkeästi määriteltyjä tai silloin, kun käytettävissä ei ole merkittyä dataa.