Целевая задача (Target Task)
Целевая задача — это чётко сформулированная цель, которую необходимо достичь в процессе обучения модели машинного обучения или работы нейронной сети; описание желаемого результата, к которому алгоритм должен прийти на основе обработки входных данных.
В контексте ИИ и ML целевая задача задаёт «вектор движения» для модели: она определяет, какие именно закономерности нужно выявить в данных, какой тип вывода должен формироваться на выходе, по каким критериям будет оцениваться качество работы. Без чётко обозначенной целевой задачи невозможно корректно настроить процесс обучения, выбрать подходящую архитектуру сети и метрики оценки.
Аналогия из бытового мира
Представьте, что вы учите ребёнка играть в шахматы. Целевая задача в этом случае — «выиграть партию». Без этой цели обучение было бы бессистемным: ребёнок не понимал бы, к чему стремиться, а вы не могли бы подбирать упражнения и оценивать прогресс. Аналогично и с нейросетью: целевая задача («классифицировать изображения», «предсказать цену дома», «сгенерировать текст») задаёт смысл всему процессу обучения.
Исторический контекст
Понятие целевой задачи имплицитно присутствовало в самых ранних работах по ИИ и машинному обучению. Например, в перцептроне Фрэнка Розенблатта (1957 г.) целевой задачей было распознавание простых образов. С развитием ML и появлением разнообразных классов задач (классификация, регрессия, кластеризация, генерация) формулировка целевой задачи стала ещё более критичной: от неё зависит выбор функции потерь, архитектуры модели, методов оптимизации. В современных фреймворках (TensorFlow, PyTorch) целевая задача формализуется через функцию потерь (loss function), которую модель минимизирует в процессе обучения.
Смежные понятия и различия
- Функция потерь (loss function) — математическое выражение, количественно оценивающее, насколько хорошо модель решает целевую задачу. Целевая задача — это «что нужно сделать», а функция потерь — «как измерить, насколько хорошо это сделано».
- Метрика качества (metric) — показатель, используемый для оценки результата после обучения (например, accuracy, F1‑score). В отличие от функции потерь, метрика не всегда дифференцируема и не используется напрямую для оптимизации, но помогает интерпретировать, насколько модель соответствует целевой задаче.
- Задача обучения (learning task) — более широкое понятие, включающее не только целевую задачу, но и данные, ограничения, контекст. Целевая задача — ядро задачи обучения.
Примеры использования
- В задаче классификации изображений (например, распознавание кошек и собак) целевая задача — присвоить каждому изображению правильный класс.
- В задаче регрессии (например, предсказание цены дома) целевая задача — выдать числовое значение, максимально близкое к реальной цене.
- В генеративных моделях (например, GPT, DALL·E) целевая задача — создать новый контент (текст, изображение), соответствующий заданным условиям.
- В обучении с подкреплением (например, AlphaGo) целевая задача — максимизировать суммарное вознаграждение в процессе взаимодействия со средой.
Популярные реализации/модели, где целевая задача играет ключевую роль
- CNN (свёрточные нейронные сети) для классификации изображений — целевая задача: минимизировать ошибку классификации.
- RNN/LSTM для прогнозирования временных рядов — целевая задача: минимизировать среднеквадратичную ошибку предсказания.
- GAN (генеративно‑состязательные сети) — целевая задача генератора: обмануть дискриминатор; целевая задача дискриминатора: отличить реальные данные от сгенерированных.