Γλωσσάριο

Κατάρρευση μοντέλου

Τι είναι Κατάρρευση μοντέλου;

Η κατάρρευση μοντέλου είναι η απώλεια ποιότητας που μπορεί να προκύψει όταν γενετικά μοντέλα εκπαιδεύονται επανειλημμένα σε δεδομένα που έχουν παραχθεί οι ίδια από ΤΝ. Το σπάνιο περιεχόμενο και οι οριακές περιπτώσεις χάνονται σταδιακά, ενώ τα αποτελέσματα γίνονται πιο ομοιόμορφα και πιο επιρρεπή σε σφάλματα. Το ζήτημα αποκτά όλο και μεγαλύτερη σημασία, επειδή αυξάνεται το ποσοστό κειμένων και εικόνων που παράγονται από ΤΝ στο διαδίκτυο. Τα προσεκτικά επιλεγμένα δεδομένα που δημιουργούνται από ανθρώπους βοηθούν να αντιμετωπιστεί.

Θέματα

δεδομένα εκπαίδευσης
παραγωγική ΤΝ
ποιότητα δεδομένων

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Συνθετικά δεδομένα

Τα συνθετικά δεδομένα παράγονται τεχνητά αντί να συλλέγονται στον πραγματικό κόσμο, αλλά μιμούνται τα πρότυπα και τις ιδιότητες των πραγματικών δεδομένων. Βοηθούν όταν τα γνήσια δεδομένα είναι σπάνια, ακριβά ή ευαίσθητα από άποψη προστασίας δεδομένων – για παράδειγμα για τη δοκιμή λογισμικού, την εκπαίδευση μοντέλων ή τον έλεγχο ενός chatbot με ρεαλιστικά δείγματα ερωτημάτων. Είναι σημαντικό να αντικατοπτρίζουν την πραγματικότητα αρκετά πιστά και να μην επιτρέπουν συμπεράσματα για πραγματικά πρόσωπα.

δεδομένα δοκιμής
προστασία δεδομένων
+1

Πρότυπο

Δεδομένα εκπαίδευσης

Τα δεδομένα εκπαίδευσης είναι τα παραδείγματα από τα οποία ένα μοντέλο ΤΝ μαθαίνει πρότυπα: μεγάλες συλλογές κειμένων για γλωσσικά μοντέλα, εικόνες με ετικέτες για μοντέλα εικόνας. Η ποιότητα, η ποικιλία και η επικαιρότητά τους καθορίζουν σε μεγάλο βαθμό πόσο αξιόπιστο και δίκαιο είναι ένα μοντέλο και πόσο ενημερωμένες θα είναι οι γνώσεις του. Για τους οργανισμούς έχει επίσης σημασία αν ένας πάροχος χρησιμοποιεί τα δεδομένα πελατών που εισάγουν για περαιτέρω εκπαίδευση.

Δεδομένα
Training
+1

παραγωγική ΤΝ

Παραγωγική ΤΝ είναι τα συστήματα ΤΝ που δημιουργούν νέο περιεχόμενο – κείμενο, εικόνες, ήχο, βίντεο ή κώδικα προγραμμάτων – αντί να ταξινομούν ή να αξιολογούν απλώς υπάρχοντα δεδομένα. Βασίζονται σε μοντέλα που μαθαίνουν μοτίβα από μεγάλους όγκους δεδομένων και τα χρησιμοποιούν για να παράγουν εύλογα νέα αποτελέσματα. Στις επιχειρήσεις χρησιμοποιείται, για παράδειγμα, για τη σύνταξη email, περιλήψεων, περιγραφών προϊόντων ή ιδεών για εικόνες. Τα αποτελέσματα μπορεί να περιέχουν σφάλματα και πρέπει να ελέγχονται πριν από τη χρήση.

βασική έννοια
Δημιουργία περιεχομένου
+1

Garbage in, garbage out (GIGO)

Το «Garbage in, garbage out» («σκουπίδια μέσα, σκουπίδια έξω») περιγράφει την αρχή ότι ένα σύστημα μπορεί να παράγει αποτελέσματα μόνο τόσο καλά όσο τα δεδομένα που λαμβάνει. Αυτό ισχύει διπλά για την ΤΝ: λανθασμένα, παρωχημένα ή μονόπλευρα δεδομένα εκπαίδευσης ή γνώσης οδηγούν σε λανθασμένες ή μεροληπτικές απαντήσεις. Ένα chatbot που βασίζεται σε παρωχημένο τιμοκατάλογο θα αναφέρει παρωχημένες τιμές. Η φροντίδα των δεδομένων είναι επομένως διαρκές καθήκον σε κάθε έργο ΤΝ.

Ποιότητα δεδομένων
Αρχή
+1