Supervizované a nesupervizované učení jsou dvě klíčové disciplíny v oblasti strojového učení, která je podkategorií umělé inteligence. Zásadní rozdíl mezi nimi spočívá v druhu dat, se kterými algoritmy pracují. Supervizované učení pracuje s daty, která jsou anotována, tedy každý vstupní vzorek má přiřazený správný výstup (například obrázek je označen, co na něm je). Typickým příkladem tohoto přístupu je klasifikace, kdy například algoritmus přiřazuje e-mailům nálepku „spam“ nebo „nevyžádaná pošta“. V supervizovaném učení se model učí na základě těchto známých příkladů a vytváří obecná pravidla, pomocí nichž pak dokáže nové, dosud neviděné vstupy správně zařadit.
Naopak nesupervizované učení se zabývá daty, která nejsou anotovaná, tedy chybí u nich informace o tom, jaký by měl být výstup. Hlavním úkolem algoritmu je samočinně odhalit strukturu či vzory v datech, například shlukování podobných objektů nebo hledání anomálií. Typickým příkladem je shlukování zákazníků podle jejich nákupního chování, aniž by předem bylo známo, do jakých kategorií zákazníci spadají. Algoritmus tak objevuje latentní souvislosti a struktury, které by člověku nemusely být přehledně zřejmé.
Obě metody mají široké uplatnění v praxi, a často bývají kombinovány. Supervizované učení je efektivní tam, kde jsou dostupná dobře označená data – například v medicínské diagnostice, rozpoznávání řeči nebo při řízení autonomních vozidel. V případech, kdy anotovaná data nejsou k dispozici nebo by jejich ruční označení bylo problematické či nákladné, nastupuje nesupervizované učení, které je užitečné například v segmentaci trhu, genetice nebo při hledání nových typů vzorků v rozsáhlých datových sadách. Rozvoj metod strojového učení navíc přináší hybridní přístupy, například polo-supervizované a self-supervizované učení, které kombinují silné stránky obou zmíněných paradigmat.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)