正在加载模式…
面向智能体的无监督学习(ULA)
从没有任务标签的数据中学习表征、聚类或异常分数,随后进行领域验证
30秒速览
- 是什么
- 通过嵌入、聚类或异常检测从无标注数据中学习模式,再由领域专家验证这些发现。
- 何时使用
- 当你手上是没有标注的原始数据,需要在使用有监督方法之前发现结构、划分用户群体或标记异常情况时。
- 注意
- 聚类结果和异常分数是不稳定的产物;验证时常会发现它们并不对应真实的业务类别或决策边界。
向AI专家咨询此模式
打开助手并预填您的问题,发送前可先确认。
面向智能体的无监督学习: 概览
从没有任务标签的数据中学习表征、聚类或异常分数,随后进行领域验证
- Representation learning
- Clustering and segmentation
- Dimensionality reduction
- Anomaly scoring
- Stability analysis
- Domain-expert interpretation
The Agent Architect
每周一个模式、一个权衡、一个生产事故案例。为构建智能体系统的人准备的每周简报。
每周一封邮件,一键退订。您的地址仅用于发送简报。
参考资料
该模式所依据的论文、规范和代码仓库。
- Self-Supervised Learning: Generative or Contrastive (Liu et al., 2021)arXiv:2006.08218
- A Simple Framework for Contrastive Learning of Visual Representations (Chen et al., 2020)arXiv:2002.05709
- Momentum Contrast for Unsupervised Visual Representation Learning (He et al., 2020)arXiv:1911.05722
- Bootstrap Your Own Latent: A New Approach to Self-Supervised Learning (Grill et al., 2020)arXiv:2006.07733
- BERT: Pre-training of Deep Bidirectional Transformers (Devlin et al., 2018)arXiv:1810.04805
由本目录背后的工程师执行
每次调用花得更少,模型归你所有
如果你的 LLM 账单主要来自某个重复性任务,我们可以把它蒸馏成一个用你自己的流量训练的小型开放权重模型,再在它从未见过的样例上与你当前的模型对比测试。质量和每次调用成本,以书面形式并排交给你。
每个任务 €2,900,固定价格。只有在你自己预留的测试样例上达到当前模型的水平,你才需要付款。