Odborná definícia
Odborná definícia
Task-specific model je model navrhnutý, vybraný alebo dolaďovaný pre presne vymedzenú úlohu, dátovú doménu a výstupný kontrakt. Môže ísť o klasifikátor, detektor, prediktor alebo generatívny model s úzkym rozsahom. Jeho tréningové dáta, metriky a rozhodovací prah sa viažu na konkrétny účel, nie na všeobecnú schopnosť. Špecializácia môže znížiť náklady a zvýšiť konzistentnosť, zároveň však obmedzuje prenos na nové prípady mimo navrhnutého rozdelenia. Porovnanie s všeobecným baseline má zahŕňať presnosť, cenu, latenciu, údržbu aj bezpečnostné zlyhania.
Zrozumiteľné vysvetlenie
Zrozumiteľné vysvetlenie
Univerzálny jazykový model vie odpovedať na veľa tém, ale firma môže potrebovať iba roztriediť reklamácie do dvanástich kategórií. Špecializovaný model sa učí presne tieto kategórie, používa firemné príklady a vracia stabilný formát. Môže byť menší, rýchlejší a ľahšie merateľný než všeobecný model. Jeho silná stránka je zároveň hranicou. Ak sa zmení proces, jazyk zákazníkov alebo definícia kategórií, model sa musí znovu vyhodnotiť a často aj pretrénovať. Úzky model je výhodný iba vtedy, keď jeho hranice pozná aj proces, ktorý spracúva neštandardné prípady.
Časté otázky
Časté otázky
Je task-specific model vždy trénovaný od nuly?
Nie. Často vzniká dolaďovaním predtrénovaného modelu, pridaním klasifikačnej hlavy, distiláciou alebo učením adaptéra. Tréning od nuly je potrebný iba v špecifických prípadoch.
Aká je výhoda oproti veľkému všeobecnému modelu?
Môže mať nižšiu latenciu, lacnejšiu prevádzku, stabilnejší výstup a presnejšie metriky pre jednu úlohu. Rozhodnutie však závisí od objemu dát a variability požiadaviek.
Ako sa určí hranica použitia?
Vymedzí sa populácia, jazyk, typ vstupu, povolené výstupy, kritické chyby a situácie na eskaláciu. Tieto hranice patria do model card a prevádzkových pravidiel.
Môže jeden task-specific model riešiť viac úloh?
Áno, ak sú úlohy jasne definované a model má viac výstupných hláv alebo spoločný tréningový cieľ. Spoločné učenie však môže jednej úlohe pomôcť a inej uškodiť.
Kedy treba model nahradiť alebo pretrénovať?
Pri zmene dátovej distribúcie, taxonómie, produktu, legislatívneho kontextu alebo tolerancie chýb. Signálom je aj stabilný pokles výkonu v produkčnom monitoringu.
Súvisiace pojmy
Súvisiace pojmy
Zdroje a redakčná stopa
Zdroje a redakčná stopa
- Google Machine Learning Glossary
- Hugging Face, Fine-tune a Pretrained Model
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.