Uczenie nadzorowane

Uczenie nadzorowane (ang. *supervised learning*) to podejście w uczeniu maszynowym, w którym model uczy się na przykładach zawierających zarówno dane wejściowe, jak i poprawną odpowiedź (etykietę), aby następnie przewidywać tę odpowiedź dla nowych, nieznanych przypadków. Innymi słowy, jest to „nauka z nauczycielem”: algorytm dostaje wskazówkę, jaki wynik jest właściwy, i minimalizuje błąd między przewidywaniem a etykietą.

W praktyce uczenie nadzorowane polega na zbudowaniu funkcji (modelu), która mapuje cechy opisujące obiekt lub zdarzenie (np. atrybuty produktu, zachowanie użytkownika, parametry transakcji) na wynik docelowy (np. kategoria, prawdopodobieństwo zakupu, przewidywana wartość koszyka). Dane treningowe mają postać par: (X, y), gdzie X to wektor cech, a y to etykieta. Model jest dopasowywany tak, by uogólniał zależności, a nie tylko „zapamiętywał” przykłady — dlatego kluczowe jest rozdzielanie danych na zbiory treningowe i testowe oraz kontrola jakości etykiet.

Najczęstsze zadania w uczeniu nadzorowanym to klasyfikacja i regresja. Klasyfikacja przewiduje etykietę dyskretną (np. „zwrot” vs „brak zwrotu”, „fraud” vs „legit”), a regresja — wartość liczbową (np. prognozowany popyt, czas dostawy, marża). W e-commerce i analityce produktowej uczenie nadzorowane bywa wykorzystywane m.in. do oceny ryzyka (np. oszustwa płatnicze), prognozowania (np. sprzedaż, zapasy), personalizacji (np. ranking produktów) czy automatyzacji procesów (np. przypisywanie zgłoszeń do kategorii). W każdym z tych przypadków o powodzeniu decydują: trafnie zdefiniowana etykieta, reprezentatywne dane oraz metryka oceny zgodna z celem biznesowym.

Istotnym elementem jest proces uczenia: wybór cech, przygotowanie danych, dobór algorytmu, trening, walidacja i wdrożenie. Dane wejściowe często wymagają czyszczenia (braki, duplikaty), kodowania (np. kategorie produktów), skalowania oraz kontroli przecieków informacji (np. cecha dostępna dopiero po zdarzeniu, które próbujemy przewidzieć). Etykiety mogą pochodzić z systemów transakcyjnych (np. status zamówienia), działań użytkownika (np. kliknięcie), pracy człowieka (np. ręczne oznaczanie reklamacji) lub reguł biznesowych — każda z tych metod ma inne ryzyka błędu i stronniczości. Model jest oceniany na danych, których nie widział, a następnie monitorowany po wdrożeniu, ponieważ rozkład danych może się zmieniać (sezonowość, zmiany w ofercie, kampanie, nowe kanały ruchu).

Uczenie nadzorowane wymaga także świadomego podejścia do kosztów pomyłek. W klasyfikacji błędy nie są równoważne: fałszywe odrzucenie legalnej transakcji może pogorszyć konwersję i doświadczenie klienta, a przepuszczenie oszustwa generuje straty finansowe. Dlatego oprócz „dokładności” (accuracy) stosuje się metryki takie jak precision/recall, F1, AUC, a także metryki kosztowe i progi decyzyjne dopasowane do tolerancji ryzyka. W regresji ważne są m.in. MAE/RMSE, ale również stabilność prognoz i odporność na wartości odstające. W kontekście operacyjnym liczy się też interpretowalność (czy da się wyjaśnić decyzję), szybkość działania, łatwość utrzymania i zgodność z procesami (np. ręczna weryfikacja przypadków granicznych).

Przykłady (zwięzłe):

  • *Klasyfikacja*: przewidywanie, czy zamówienie zostanie zwrócone na podstawie kategorii produktu, historii zwrotów klienta, ceny i czasu dostawy. Etykieta: „zwrot/bez zwrotu” z danych po fakcie.
  • *Regresja*: prognoza liczby sprzedanych sztuk SKU w kolejnym tygodniu na podstawie historii sprzedaży, ceny, dostępności i sezonowości. Etykieta: liczba sztuk sprzedanych w danym tygodniu.
  • *Ranking jako wariant uczenia nadzorowanego*: uczenie modelu, który przewiduje prawdopodobieństwo kliknięcia w produkt w wynikach wyszukiwania. Etykieta: kliknięcie (1) lub brak kliknięcia (0) dla danego wyświetlenia.
  • Kluczowe właściwości
  • Wymaga danych z etykietą (wynikiem docelowym); jakość etykiet często ogranicza jakość modelu bardziej niż wybór algorytmu.
  • Obejmuje głównie zadania klasyfikacji (etykiety dyskretne) i regresji (wartości liczbowe), czasem także uczenie do rankingu (np. porządkowanie wyników).
  • Sukces zależy od uogólniania: model ma działać na nowych danych, więc konieczne są walidacja, test i ochrona przed przeuczeniem (overfitting).
  • Wymaga dobrania metryk i progów decyzyjnych do celu (np. minimalizacja strat, ochrona konwersji, ograniczenie fałszywych alarmów).
  • Jest podatne na przesunięcia danych (data drift) i zmiany zachowań klientów; po wdrożeniu potrzebuje monitoringu i okresowego odświeżania.
  • Typowe konteksty użycia
  • Prognozowanie popytu i zapasów: regresja dla planowania zakupów, alokacji magazynowej i ograniczania braków towaru.
  • Ocena ryzyka i nadużyć: klasyfikacja transakcji, kont lub zwrotów pod kątem prawdopodobieństwa oszustwa.
  • Personalizacja i rekomendacje: przewidywanie kliknięć/zakupów dla dopasowania list produktów, wyników wyszukiwania lub kolejności ofert.
  • Automatyzacja obsługi: klasyfikacja tematów zgłoszeń, priorytetyzacja ticketów, przewidywanie czasu rozwiązania.
  • Analityka produktowa: modele skłonności (propensity) do zakupu, rezygnacji (churn) lub reakcji na zmianę ceny.
  • Częste nieporozumienia
  • „Wystarczy dużo danych” — bez spójnych etykiet, reprezentatywnej próby i kontroli przecieków informacji duży zbiór nie gwarantuje dobrych wyników.
  • „Dokładność to najlepsza metryka” — przy niezbalansowanych klasach (np. oszustwa rzadkie) accuracy bywa myląca; ważniejsze są precision/recall, koszty błędów i kalibracja prawdopodobieństw.
  • „Model odkrywa prawdę o klientach” — model uczy się wzorców z danych historycznych, które mogą zawierać stronniczość, błędy procesowe i skutki wcześniejszych decyzji.
  • „Uczenie nadzorowane działa bez zmian w procesie” — często wymaga doprecyzowania definicji zdarzeń, poprawy jakości danych, ujednolicenia identyfikatorów i stałego monitoringu po wdrożeniu.