Чим машинне навчання принципово відрізняється від звичайної програми?
Чому так. Уся різниця — у напрямку стрілки. У звичайній програмі правила це вхід, і пишеш їх ти. У машинному навчанні правила це результат, а на вході лежать приклади з готовими відповідями. Швидкість і тип даних тут ні до чого: модель усередині виконує звичайні арифметичні операції й теж потребує даних — навіть більше за звичайну програму.
Питання 2 / 8
В інтерактиві межа моделі вийшла косою, а межа з написаних руками правил — сходинками. Чому?
Чому так. Людина мислить умовами «дешевше за X» або «молодше за Y» — а це вертикальні й горизонтальні відсічки, з яких складається лише сходинка. Модель шукає компроміс одразу по обох ознаках, тому її межа може бути похилою. Ознаки в обох підходів були однакові — дві. І «розуміння» тут теж немає: модель просто має ширший набір можливих форм межі.
Питання 3 / 8
У таблиці оголошень немає жодної мітки, а треба згрупувати схожі оголошення. Який це тип навчання й задача?
Чому так. Вирішальне питання одне: чи є в даних правильна відповідь. Тут її немає — ніхто не проставляв номер групи, — отже навчання без учителя. Класифікація (і бінарна, і багатокласова) вимагає готових міток; регресія вимагає числової відповіді, а номер кластера числом лише виглядає. Навчання з підкріпленням потребує нагороди за дію, а тут ніяких дій із наслідками немає.
Питання 4 / 8
Бот обирає, яке оголошення показати покупцеві першим, і отримує +1 за клік. Чому це не навчання з учителем?
Чому так. Учитель — це наявність правильної відповіді для кожного прикладу. Тут її не існує в принципі: ніхто не знає, що треба було показати, відомо лише, чим скінчився зроблений показ. Числова нагорода не заважає — навчання з учителем чудово працює з числами (це регресія), — і кількість варіантів теж ні до чого.
Питання 5 / 8
Модель ціни навчена на телефонах 2018–2023 років. Питаємо її про 2046-й і отримуємо 52 738 грн. Що при цьому показує R² на навчальних даних?
Чому так. R² на навчанні — це властивість минулого: він рахується один раз, за навчальною вибіркою, і від нових запитів не залежить узагалі. Тому він не змінюється ні на 2046 році, ні на 2004-му, де прогноз стає відʼємним. Сигналом мусить бути інше число — скільки схожих прикладів модель бачила, — але його доводиться рахувати людині.
Питання 6 / 8
Модель виявила: оголошення з фото на білому тлі продаються дорожче. Чому порада «знімай на білому тлі, і продаси дорожче» хибна?
Чому так. Модель міряє сумісну зустрічальність: що з чим траплялося поруч. Питання «що станеться, якщо втрутитись і змінити ознаку» — зовсім інше, і відповідає на нього експеримент. Звʼязок тут може бути стійким і на мільйоні прикладів, і на тестовій вибірці — це не позбавить його статусу кореляції. А категоріальні ознаки інтерпретувати цілком можна.
Питання 7 / 8
Торік модератори ретельніше перевіряли оголошення з одного міста. Модель, навчена на цих мітках, тепер позначає звідти більше оголошень. Що сталося?
Чому так. Ключове й найнеприємніше тут те, що модель не помилилась: у мітках звʼязок «місто — шахрайство» справді був. Помилка сталася раніше, під час збору даних. Тому ні прибирання ознак, ні більша вибірка не допоможуть — більше даних, зібраних тим самим способом, лише зроблять упередження впевненішим.
Питання 8 / 8
У якому з випадків машинне навчання недоречне?
Чому так. Правило одне, воно записане в законі й не змінюється щотижня — тут модель дає лише ризик помилки замість гарантії точного результату. Три інші випадки — рівно ті, де правила руками ламаються: їх забагато, вони швидко застарівають або їх узагалі не можна сформулювати. Модель і правила не конкурують: у робочих системах вони стоять поруч.