Ce înseamnă Date de antrenare
Datele de antrenare sunt exemplele pe care un model le „vede” în timpul antrenării și din care își învață comportamentul. Pot fi e-mailuri marcate ca spam sau nu, fotografii cu descrieri, înregistrări audio cu transcrierea lor sau, pentru modelele de limbaj, cantități uriașe de text din cărți, articole, site-uri și cod.
Un model nu știe nimic în afara a ceea ce a putut extrage din aceste date. Dacă datele conțin greșeli, prejudecăți sau lipsuri, modelul le preia. Programatorii rezumă ideea prin expresia „garbage in, garbage out” (gunoi intră, gunoi iese).
Datele de antrenare ridică și întrebări juridice și etice: au fost folosite cu acordul autorilor? Conțin date personale? Aceste întrebări apar în procese privind drepturile de autor și în reglementări precum GDPR sau AI Act.
Cum funcționează
Datele se adună (din surse publice, licențiate sau proprii), se curăță (se elimină duplicatele, conținutul de slabă calitate, datele personale) și, uneori, sunt etichetate de oameni. Apoi se împart: cea mai mare parte servește la antrenare, iar restul la validare și testare, ca modelul să fie verificat pe exemple pe care nu le-a văzut.
Modelele de limbaj au o dată limită a cunoștințelor (knowledge cutoff): nu știu ce s-a întâmplat după momentul în care au fost colectate datele lor, decât dacă primesc informații noi, prin căutare pe internet sau direct în conversație.
Pe înțelesul tuturor
Datele de antrenare sunt manualele din care învață un elev. Dacă manualele sunt bune și variate, elevul se descurcă în multe situații. Dacă au greșeli sau acoperă doar jumătate din materie, elevul va repeta greșelile și va avea goluri.
Exemplu
Un model care recunoaște boli ale pielii, antrenat aproape doar pe fotografii cu piele deschisă la culoare, va greși mai des la persoanele cu pielea mai închisă. Problema nu este în algoritm, ci în datele de antrenare, care nu au reprezentat bine întreaga populație.
De reținut
- Modelul învață doar ce se află în datele de antrenare, inclusiv greșelile și prejudecățile lor.
- Cantitatea contează, dar calitatea și diversitatea datelor contează la fel de mult.
- Modelele de limbaj au o dată limită după care nu mai știu ce s-a întâmplat.
Nu confunda
- Date de antrenare vs. set de date: setul de date este colecția organizată; datele de antrenare sunt partea folosită efectiv pentru învățare, separată de datele de validare și de test.
- Date de antrenare vs. ce scrii în chat: ce scrii într-o conversație nu modifică modelul pe loc. Unele companii pot folosi însă conversațiile la antrenarea versiunilor viitoare, de obicei cu posibilitatea de a refuza din setări.
Termeni înrudiți
- Set de date (dataset): O colecție organizată de exemple (texte, imagini, tabele) folosită pentru a antrena, verifica sau compara modele AI.
- Etichetarea datelor: Munca prin care oamenii adaugă răspunsul corect la fiecare exemplu (de pildă „pisică” la o poză), ca un model să poată învăța din el.
- Antrenarea unui model: Procesul prin care un model AI învață din date, ajustându-și parametrii pas cu pas, ca să greșească tot mai puțin.
- Bias algoritmic (prejudecăți): Erori sistematice prin care un sistem AI tratează mai rău anumite grupuri de oameni, de obicei moștenite din datele de antrenare.
- Date sintetice: Date create artificial, prin simulări sau de modele AI, folosite pentru antrenare când datele reale sunt puține, scumpe sau sensibile.
- Drepturi de autor și AI: Întrebările juridice despre folosirea operelor protejate la antrenarea AI și despre cine deține ce produce un model.