Eine illustrierte Übersicht über die mathematische Logik, die im KI-Coaching verwendet wird
Es ist immer von Vorteil, zu verstehen, wie Dinge funktionieren. In diesem Artikel gebe ich einen sehr einfachen Überblick über die grundlegende mathematische Logik, die beim Trainieren von KI-Modellen verwendet wird. Ich verspreche, dass die folgenden Beispiele verständlich sind, wenn Sie über eine Grundausbildung verfügen, und dass Sie ein etwas besseres Verständnis für den Bereich der künstlichen Intelligenz erlangen werden.
Nehmen wir an, wir möchten ein neues KI-Modell erstellen, um den Umsatz unseres Unternehmens vorherzusagen. Wir verfügen über Daten zum Umsatz der letzten zwei Monate, zu Werbekosten und zu Produktpreisen.
Mit anderen Worten: Wir wollen ein Modell erstellen, das uns sagt, wie unser Verkaufserlös vom Preis unseres Produkts und den Werbeausgaben abhängt. Mithilfe eines solchen Instruments könnte ein Marketingspezialist beispielsweise den zu erwartenden Verkaufserlös berechnen, wenn er 50 € für Werbung ausgibt und den Produktpreis auf 6 € festlegt.
Im Kern ist KI nichts anderes als eine mathematische Formel (oder eine Reihe von Formeln). Unser Beispiel für die Umsatzprognose könnte man als mathematische Formel wie folgt darstellen:
Die Formel existiert, aber wir wissen nicht, welche Werte wir den Modellparametern m und n zuweisen sollen. Mit anderen Worten: Wir wissen nicht, wie stark sich eine Erhöhung der Werbekosten und eine Anpassung des Produktpreises auf unseren Umsatz auswirken.
Wenn wir mit dem Coaching der KI beginnen, können wir den Parametern des Modells zufällige Werte zuweisen. Beispielsweise setzen wir den Werbekostenparameter zunächst auf 2 und den Preisparameter auf -2.
Nun probieren wir es einfach mal aus. Wenn wir die Werbekosten und den Produktpreis mit ihren jeweiligen Parameterwerten multiplizieren, sehen wir, dass unser anfängliches Modell zu optimistisch ist. Im ersten Monat lag der tatsächliche Verkaufserlös bei 5 €, unser Modell prognostizierte jedoch 30 €. Im zweiten Monat lag der tatsächliche Verkaufserlös bei 18 €, unser Modell prognostizierte jedoch 52 €.
Wenn der Fehler 0 istdas Modell ist perfekt und es sind keine Anpassungen erforderlich.
Wenn der Fehler > 0 istlieferte das Modell ein zu optimistisches Ergebnis:
- Verringern Sie die Gewichte (Parameter), wenn das entsprechende Eingabemerkmal (z. B. Werbekosten oder Produktpreis) einen positiven Wert hat.
- Erhöhen Sie die Gewichte (Parameter), wenn das entsprechende Eingabemerkmal einen negativen Wert hat.
Wenn der Fehler < 0 istwarfare das Modell zu pessimistisch:
- Erhöhen Sie die Gewichte (Parameter), wenn das entsprechende Eingabemerkmal einen positiven Wert hat.
- Verringern Sie die Gewichte (Parameter), wenn das entsprechende Eingabemerkmal einen negativen Wert hat.
Nach der Lernregel müssen wir beide Parameter verringern, da sowohl die Werbekosten als auch der Produktpreis einen positiven Wert haben. Beispielsweise reduzieren wir das Werbekostengewicht von 2 auf 1 und den Preisparameter von -2 auf -3.
Wenn wir neu berechnen, sehen wir, dass unser Modell jetzt genaue Vorhersagen macht. Großartig, unser erstes manuell trainiertes KI-Modell ist fertig.
Wenn Sie denken, dass das obige Modell zu intestine ist, um wahr zu sein, haben Sie Recht. Unser Modell funktionierte mit den Trainingsdaten perfekt. Um die Genauigkeit des Modells zu beurteilen, muss es mit Daten getestet werden, die nicht im Trainingsprozess verwendet wurden.
Wir haben unser Modell mit Daten aus Januar und Februar trainiert. Nun prüfen wir, wie intestine das Modell den Umsatz für März und April vorhersagen kann.
Aus der obigen Tabelle können wir ersehen, dass das Modell den Umsatz für März mit 28 € (tatsächlich 24 €) und für April mit 21 € (tatsächlich 18 €) prognostiziert. Im Durchschnitt macht unser Modell bei neuen Daten einen Fehler von 3,5 €, was wir als Genauigkeit unseres Modells bezeichnen können.
Zusammenfassend lässt sich sagen, dass KI im Kern eine mathematische Formel ist. In unserem Beispiel hatte die Formel zwei Parameter; das GPT-4-Modell hat mehr als eine Billion (1 Billion = 1.000.000.000.000) Parameter. Beide werden nach dem gleichen Prinzip trainiert: die Parameter des Modells werden schrittweise angepasst, um den Fehler zu reduzieren.
Außerdem muss man bedenken, dass KI zwar anhand von Trainingsdaten lernt, ihre Genauigkeit jedoch nur anhand von Daten beurteilt werden kann, die beim Coaching nicht verwendet wurden (Testdaten).