Недостиг на данни има, когато за дадена ИИ задача няма достатъчно подходящи или анотирани данни, за да се обучи или тества надеждно модел. Той засяга например редки видове дефекти в производството, нишови езици или нови продукти без история на продажбите. Решения са трансферното обучение, синтетичните данни, аугментацията на данни или предварително обучените езикови модели, които дават полезни резултати дори при няколко примера.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоСинтетичните данни се генерират изкуствено, а не се събират в реалния свят, но имитират закономерностите и свойствата на реалните данни. Те помагат, когато истинските данни са оскъдни, скъпи или чувствителни от гледна точка на защитата на данните – например за тестване на софтуер, обучение на модели или проверка на чатбот с реалистични примерни запитвания. Важно е те да отразяват достатъчно близо действителността и да не позволяват изводи за реални хора.
При трансферното обучение модел, който вече е усвоил голяма обща задача, служи като отправна точка за нов, специализиран модел. Вместо да се започва от нула, той се адаптира, например чрез фина настройка, със сравнително малко собствени данни. Това спестява изчислително време и данни, например когато общ модел за изображения трябва да се научи да открива производствени дефекти по снимки.
Обучението с няколко примера (few-shot learning) е способността на модела да решава задача само с шепа примери. При езиковите модели това обикновено става директно във входните данни: показвате две или три двойки въпрос и желан отговор, а моделът прилага същия формат и стил към нови случаи – без преобучение. Пример: три правилно категоризирани запитвания на клиенти често са достатъчни, за да се сортират по същия начин и следващите запитвания.
Данните за обучение са примерите, от които моделът с ИИ научава закономерности: големи текстови колекции за езиковите модели, изображения с етикети за моделите за изображения. Качеството, разнообразието и актуалността им до голяма степен определят колко надежден и справедлив е моделът и колко актуални ще са знанията му. За организациите е важно и дали доставчикът използва въведените от клиентите данни за по-нататъшно обучение.
