Ordliste

Træningsdata

Hvad er Træningsdata?

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.

Sådan hjælper KI.ordo

Ifølge Anthropics kommercielle servicevilkår (pr. oktober 2026) må Anthropic ikke træne modeller på kundeindhold fra sine tjenester, og vurderingerne med 👍/👎 i KI.ordo bruges kun til at forbedre viden og instruktioner, ikke til at træne modeller.

Læs mere

Emner

Data
Training
Databeskyttelse

Prøv KI.ordo

Agenter, flows og skabeloner i ét arbejdsområde – gratis demo i 24 timer.

Start demo

← Alle begreber

Relaterede begreber

Syntetiske data

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.

testdata
databeskyttelse
+1

Skabelon

Datamangel

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.

træningsdata
datakvalitet
+1

Garbage in, garbage out (GIGO)

'Garbage in, garbage out' beskriver princippet om, at et system kun kan give resultater, der er lige så gode som de data, det modtager. Det gælder dobbelt for AI: Forkerte, forældede eller ensidige trænings- eller videndata fører til forkerte eller skæve svar. En chatbot, der støtter sig til en forældet prisliste, vil oplyse forældede priser. Pleje af data er derfor en løbende opgave i ethvert AI-projekt.

Datakvalitet
Princip
+1

Bias

Inden for AI betegner bias en systematisk skævhed i resultaterne. Den skyldes ofte ubalancerede eller historisk skæve træningsdata, men kan også stamme fra modellens design eller fra, hvordan et spørgsmål formuleres. Et kendt eksempel: Et værktøj til screening af ansøgere, der lærer af tidligere ansættelsesbeslutninger, kan videreføre eksisterende ulemper for bestemte grupper. Inden for statistik betyder bias også et estimats afvigelse fra den sande værdi. Modforanstaltninger omfatter forskelligartede data, regelmæssige audits og menneskelige beslutninger i personalesager.

AI-etik
Fairness
+1