パターンを読み込んでいます…
👨🏫
エージェント向け教師あり学習(SLA)
ラベル付きの入出力例からエージェントのコンポーネントを適応させ、明示的な検証とフォールバック動作を備える手法
複雑さ: medium学習と適応
30秒でわかる概要
- 概要
- データ漏洩を防ぐ仕組みを備えたうえで、ラベル付きの事例からエージェントの構成要素を学習させ、判断が不確かなケースは人間のレビューに回します。
- 使いどころ
- 十分な量のきれいなラベル付きデータがあり、エッジケースを人間が監督しながら信頼できる分類を行いたい場合。
- 注意点
- 似た事例による学習データとテストデータの漏洩は、性能の見積もりを台無しにします。ランダムではなく、顧客単位や時間単位で分割してください。
このパターンについてAIエキスパートに質問
質問が入力済みの状態でアシスタントが開きます。送信前に内容を確認できます。
エージェント向け教師あり学習: 概要
ラベル付きの入出力例からエージェントのコンポーネントを適応させ、明示的な検証とフォールバック動作を備える手法
- Labeled training examples
- Task-specific objectives
- Leakage-resistant data splits
- Class and slice evaluation
- Confidence calibration
- Human fallback for uncertain cases
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。
参考文献
このパターンの根拠となる論文、仕様、リポジトリです。
- Fine-Tuning Pre-trained Language Models: Weight Initializations, Data Orders, and Early Stopping (Dodge et al., 2020)arXiv:2002.06305
- How to Fine-Tune BERT for Text Classification? (Sun et al., 2019)arXiv:1905.05583
- Universal Language Model Fine-tuning for Text Classification (Howard & Ruder, 2018)arXiv:1801.06146
- Attention Is All You Need (Vaswani et al., 2017)arXiv:1706.03762
- BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding (Devlin et al., 2018)arXiv:1810.04805
このカタログを作ったエンジニアが担当
エージェント構成をレビューします
このページが扱うのは1つのパターンです。実際のシステムは数十を組み合わせて動き、障害の多くはその繋ぎ目で起きます。カタログの288パターンに照らして設計全体をレビューします。アーキテクチャ、信頼性、評価、コストまで、指摘ごとに対応するパターンを示します。
€750（通常€1,500）・1週間・文書レポートとウォークスルーコール・9月30日まで