Datamangel opstår, når der er for få egnede eller mærkede data til, at en AI-opgave kan træne eller teste en model pålideligt. Det rammer f.eks. sjældne fejltyper i produktionen, nichesprog eller nye produkter uden salgshistorik. Afhjælpning kan være transfer learning, syntetiske data, dataforøgelse (data augmentation) eller fortrænede sprogmodeller, der giver brugbare resultater ud fra blot få eksempler.
Syntetiske data er skabt kunstigt i stedet for at være indsamlet i den virkelige verden, men efterligner de virkelige datas mønstre og egenskaber. De hjælper, når ægte data er knappe, dyre eller følsomme ud fra et databeskyttelsessynspunkt – f.eks. til test af software, træning af modeller eller afprøvning af en chatbot med realistiske eksempelforespørgsler. Det er vigtigt, at de afspejler virkeligheden tæt nok og ikke tillader slutninger om rigtige personer.
Ved transfer learning bruges en model, der allerede har lært en stor generel opgave, som udgangspunkt for en ny, specialiseret opgave. I stedet for at starte fra bunden tilpasses den, f.eks. gennem fine-tuning, med forholdsvis få egne data. Det sparer beregningstid og data, f.eks. når en generel billedmodel skal lære at opdage produktionsfejl på fotos.
Few-shot learning er en models evne til at løse en opgave ud fra blot en håndfuld eksempler. Med sprogmodeller sker det som regel direkte i inputtet: Man viser to eller tre par af spørgsmål og ønsket svar, og modellen anvender samme format og stil på nye tilfælde – uden omtræning. Eksempel: Tre korrekt kategoriserede kundehenvendelser er ofte nok til, at yderligere henvendelser sorteres på samme måde.
Træningsdata er de eksempler, som en AI-model lærer mønstre af: store tekstsamlinger til sprogmodeller, mærkede billeder til billedmodeller. Deres kvalitet, mangfoldighed og aktualitet er i høj grad afgørende for, hvor pålidelig og fair en model er, og hvor opdateret dens viden bliver. For organisationer er det også vigtigt, om en udbyder bruger de kundedata, der indtastes, til yderligere træning.
