Datan niukkuutta esiintyy, kun tekoälytehtävää varten ei ole riittävästi sopivaa tai merkittyä dataa mallin luotettavaan kouluttamiseen tai testaamiseen. Se koskee esimerkiksi tuotannon harvinaisia vikatyyppejä, pieniä kieliä tai uusia tuotteita, joilla ei ole myyntihistoriaa. Keinoja ovat siirto-oppiminen, synteettinen data, datan augmentointi sekä valmiiksi koulutetut kielimallit, jotka antavat hyödyllisiä tuloksia jo muutamalla esimerkillä.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoSynteettinen data tuotetaan keinotekoisesti eikä kerätä todellisessa maailmassa, mutta se jäljittelee oikean datan säännönmukaisuuksia ja ominaisuuksia. Se auttaa, kun aitoa dataa on vähän, se on kallista tai tietosuojan kannalta arkaluonteista – esimerkiksi ohjelmiston testaamisessa, mallien opettamisessa tai chatbotin tarkistamisessa realistisilla esimerkkikyselyillä. On tärkeää, että se heijastaa todellisuutta riittävän tarkasti eikä mahdollista johtopäätöksiä oikeista henkilöistä.
Siirto-oppimisessa malli, joka on jo oppinut suuren yleisen tehtävän, toimii lähtökohtana uudelle, erikoistuneelle mallille. Alusta aloittamisen sijaan se mukautetaan, esimerkiksi hienosäädöllä, suhteellisen vähällä omalla datalla. Tämä säästää laskenta-aikaa ja dataa, esimerkiksi kun yleiskuvamallin halutaan oppivan havaitsemaan tuotantovirheitä valokuvista.
Few-shot-oppiminen on mallin kyky ratkaista tehtävä vain muutaman esimerkin perusteella. Kielimalleilla tämä tapahtuu yleensä suoraan syötteessä: näytät kaksi tai kolme paria kysymystä ja toivottua vastausta, ja malli soveltaa samaa muotoa ja tyyliä uusiin tapauksiin – ilman uudelleenkoulutusta. Esimerkki: kolme oikein luokiteltua asiakaskyselyä riittää usein siihen, että seuraavat kyselyt lajitellaan samalla tavalla.
Opetusdata ovat esimerkkejä, joista tekoälymalli oppii säännönmukaisuuksia: suuria tekstikokoelmia kielimalleille, luokiteltuja kuvia kuvamalleille. Niiden laatu, monipuolisuus ja ajantasaisuus määräävät pitkälti, kuinka luotettava ja oikeudenmukainen malli on ja kuinka ajan tasalla sen tietämys on. Organisaatioille on myös tärkeää, käyttääkö tarjoaja syöttämiään asiakastietoja jatko-opetukseen.
