Gözetimli öğrenme, modelin girdi ve doğru çıktı çiftlerinden öğrendiği yaklaşımdır. Her örneğin yanında beklenen cevap yazıyor. Model tahmin ediyor, tahmini etiketle karşılaştırıyor, aradaki hatayı ölçüyor ve ağırlıklarını bu hatayı küçültecek yönde güncelliyor. Döngü binlerce kez tekrarlandığında model girdiden çıktıya giden ilişkiyi öğrenmiş oluyor.
İki temel görev tipi var. Sınıflandırmada çıktı bir kategori: e-posta spam mı, görüntüde kedi mi var, talep hangi departmana gidiyor. Regresyonda çıktı sayısal bir değer: dairenin fiyatı, gelecek ayın satışı, teslimat süresi.
Yöntemin bedeli etiket. Elde ne kadar çok doğru etiketli örnek varsa model o kadar iyi çalışıyor, ama etiketleme insan emeği demek. Tıbbi görüntü ya da hukuki metin gibi alanlarda bu emek uzman saati anlamına geliyor ve proje bütçesinin büyük kısmını oluşturabiliyor.
Somut bir örnek: bir kargo firmasında gelen şikâyet e-postalarının hangi ekibe gideceği tahmin ediliyor. Geçmiş 30 bin e-posta ve gerçekte hangi ekibin çözdüğü bilgisi eğitim verisi oluyor. Model yeni e-postaları aynı kategorilere ayırıyor ve yönlendirme süresi düşüyor.
Sonucun kalitesi etiketlerin tutarlılığına bağlı. Aynı e-postayı iki farklı kişi farklı ekibe atadıysa, model de bu belirsizliği öğreniyor ve kararsız davranıyor.