Firma posiada petabajty nieoznaczonych danych klientów i chce pogrupować klientów w poziomy w celu ukierunkowanego reklamowania. Które podejście uczenia maszynowego jest najbardziej odpowiednie do tego zadania?

Uczenie nienadzorowane jest najbardziej odpowiednie, ponieważ firma posiada petabajty nieoznaczonych danych. Algorytmy uczenia nienadzorowanego, takie jak algorytmy klastrowania (np. K-means), są przeznaczone do znajdowania ukrytych wzorców i struktur w danych bez wcześniejszych etykiet. W tym przypadku mogą pogrupować klientów na podstawie ich podobieństw w celu stworzenia poziomów. Uczenie nadzorowane wymagałoby etykietowanych danych, co jest niemożliwe przy nieoznaczonych danych. Uczenie ze wzmocnieniem i RLHF są stosowane w scenariuszach, gdzie agent uczy się poprzez interakcję ze środowiskiem i otrzymywanie nagród, co nie pasuje do zadania grupowania klientów.