协同训练，AI的自进阶能力！超兔CRM-AI引擎，基于协同训练与自训练算法，当打标数据达到一定量时，三模型对数据的判断与处理形成了理想的关系，让AI引擎自动往前跑。 协同训练是半监督学习的常用算法之一，核心是通过多个学习器的相互协作探索无标记数据中的有效信息。
半监督学习常用两大算法：
1.自训练算法（Self-training）：
首先，训练带有标记的数据，得到一个分类器；
其次，使用这个分类器对未标识的数据进行分类；
最后，根据分类结果，将可信程度较高的未标记数据及其预测标记加入训练集，扩充训练集规模，重新学习以得到新的分类器。
在超兔CRM行动判断客户意向AI引擎中，可以看到，启动的第一步就是：去打标。对crm内的行动描述进行标注，获得一定量的标记样本。例如，我们需要对1000条数据做预测，先对100条数据打标，形成训练模型。之后，此模型自训练剩下900条数据，形成预测。
当然，AI判断与人的判断会有所区别，训练模型使用概率做判断，而不是凭借经验，可以认为更加理性。
2.联合训练（Co-training），也叫协同训练
首先，需要根据已标记数据的不同特征来划分出不同的数据集；
其次，根据不同的数据集分别训练出不同的分类器；
最后，每个分类器用于无标识的数据集的分类，并且给出分类可信程度的概率值。 超兔CRM中，协同训练的流程：
①　将数据data平分成3份，如900条数据，对应三个数据：data1（300）,data2（300），data3（300）；
②　三种算法分别对三个数据进行训练。超兔CRM中，SVM对data1进行训练、贝叶斯对data2进行训练、逻辑回归对data3进行训练；
③　得到三个模型；
④　分别使用三个模型对未标注的数据进行逐条预测：

• 如果预测的结果全部相同，这条数据将加入到总训练数据中。换句话说，三个模型对同一条行动数据判断都为-1，系统才会认可此判断；
• 如果预测的结果有2个相同，例如：使用SVM和贝叶斯预测的结果为-1，逻辑回归预测的结果为0，此数据会进入到data3中，重新使用逻辑回归训练模型，实现对错误数据做自动修正。
• 如果预测的结果3个都不同，将跳过此条数据，等别的数据都预测结结束再预测这条。

可以看出，三模型对数据的判断与处理关系，是协同训练的核心亮点，彻底摆脱人不断打标的制约，内部互相协同保证AI判断的正确率。它带来的是，用数据驱动算法，用算法推动AI。在自训练与协同训练算法下，超兔AI引擎数据处理能力实现了进阶升级！