Aprendizado supervisionado é uma categoria de aprendizado de máquina na qual um modelo é treinado em um conjunto de dados de exemplos que cada um pareia uma entrada com uma saída correta conhecida, ou rótulo, e o objetivo do modelo é aprender um mapeamento geral de entradas para saídas que generalize para novos exemplos não vistos. A palavra "supervisionado" refere-se ao fato de que um gabarito rotulado, tipicamente produzido por anotadores humanos ou reunido a partir de registros históricos, supervisiona o processo de aprendizado informando ao modelo exatamente qual deveria ter sido a resposta correta para cada exemplo de treinamento.
Principais tarefas
Os problemas de aprendizado supervisionado dividem-se em duas categorias gerais. Tarefas de classificação preveem uma categoria discreta, como se um e-mail é spam, que objeto aparece em uma imagem ou qual sentimento uma avaliação expressa. Tarefas de regressão preveem um valor numérico contínuo, como o preço de uma casa ou uma previsão de temperatura. Ambas são treinadas da mesma forma: o modelo faz uma previsão, uma função de perda mede o quão distante essa previsão está do rótulo verdadeiro, e o gradiente descendente, calculado via propagação retroativa no caso de uma rede neural, ajusta os parâmetros do modelo para reduzir esse erro, repetido ao longo de muitos exemplos e epocas nos dados.
História
O aprendizado supervisionado precede o aprendizado profundo por décadas e inclui algoritmos clássicos, como regressão linear e logística, árvores de decisão, máquinas de vetores de suporte, desenvolvidas e formalizadas em grande parte por Vladimir Vapnik, e k-vizinhos mais próximos. A técnica ganhou enorme impulso com a disponibilidade de grandes conjuntos de dados rotulados e baixo custo computacional; a competição ImageNet de 2012, em que o AlexNet superou dramaticamente métodos anteriores em um grande conjunto de imagens rotuladas, é amplamente creditada por demonstrar que o aprendizado supervisionado profundo podia se escalar para superar abordagens artesanais, desencadeando o ressurgimento mais amplo do aprendizado profundo.
Dados e rotulagem
O principal gargalo prático do aprendizado supervisionado é a necessidade de dados rotulados, que muitas vezes é cara e lenta para produzir, exigindo que anotadores humanos categorizem, transcrevam ou marquem grandes números de exemplos. Essa restrição motivou o desenvolvimento de paradigmas alternativos que reduzem ou eliminam a necessidade de rótulos, incluindo o aprendizado não supervisionado, que encontra estrutura em dados não rotulados, e o aprendizado autossupervisionado, que gera seu próprio sinal de treinamento a partir de dados não rotulados, abordagem que sustenta o pré-treinamento dos modernos modelos de linguagem grande. O aprendizado supervisionado permanece essencial em outras etapas do pipeline moderno de IA, no entanto, sobretudo na afinagem supervisionada, em que um modelo pré-treinado é adaptado usando exemplos rotulados do comportamento de entrada-saída desejado, etapa usada para transformar um modelo de linguagem base em um assistente que segue instruções.
Avaliação
O desempenho de um modelo no aprendizado supervisionado é tipicamente medido em um conjunto de teste reservado que não foi usado durante o treino, a fim de estimar se ele generaliza bem, em vez de meramente memorizar seus dados de treino, um modo de falha chamado sobreajuste. Métricas de avaliação comuns incluem acurácia, precisão, recall e F1 score para classificação, e erro quadrático médio para regressão, com a métrica adequada variando muito conforme a tarefa e o custo relativo de diferentes tipos de erros, como falsos positivos versus falsos negativos num contexto de diagnóstico médico.
Significância e limitações
O aprendizado supervisionado tem sido o paradigma dominante por trás da maioria dos sistemas de aprendizado de máquina implementados ao longo de décadas, desde filtros de spam e score de crédito até diagnóstico de imagem médica e reconhecimento de fala. Sua limitação central é a dependência estrita para a qualidade e se abrangência dos dados de treino rotulados: um modelo só pode ser tão bom quanto seus rótulos, e rótulos que refletem relaxamento humano histórico ou cobertura incompleta de cenários do mundo real produzirão um modelo que herda ou amplifica essas falhas, um a preocupação central à pesquisa sobre viés algorítmico. À medida que as abordagens não rotuladas e autossupervadas vêm amadurecendo, o aprendizado supervisionado gradualmente Ronaldo tornou-se uma 'etapa* dentro de um pipeline maior, em vez de todo o processo de treino para os sistemas de IA modernos mais capacitados.