Sanasto

Opetusdata

Mikä on Opetusdata?

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.

Miten KI.ordo auttaa

Anthropicin kaupallisten käyttöehtojen mukaan (tilanne: lokakuu 2026) Anthropic ei saa opettaa malleja palveluidensa asiakassisällöllä, ja KI.ordon 👍/👎-arvioita käytetään vain tietämyksen ja ohjeiden parantamiseen, ei mallien opettamiseen.

Lue lisää

Aiheet

Data
Training
tietosuoja

Kokeile KI.ordoa

Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.

Aloita demo

← Kaikki termit

Liittyvät termit

Synteettinen data

Synteettinen 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.

testidata
tietosuoja
+1

Malli

Datan niukkuus

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.

koulutusdata
datan laatu
+1

Garbage in, garbage out (GIGO)

”Garbage in, garbage out” kuvaa periaatetta, jonka mukaan järjestelmä voi tuottaa vain yhtä hyviä tuloksia kuin sen saama data. Tämä pätee tekoälyyn kaksinkertaisesti: virheellinen, vanhentunut tai yksipuolinen koulutus- tai tietämysdata johtaa vääriin tai vinoutuneisiin vastauksiin. Chatbot, joka käyttää vanhentunutta hinnastoa, ilmoittaa vanhentuneita hintoja. Datan ylläpito on siksi jatkuva tehtävä jokaisessa tekoälyhankkeessa.

Datan laatu
Periaate
+1

Bias

Tekoälyssä vinouma (bias) tarkoittaa tulosten järjestelmällistä vääristymää. Se johtuu usein epätasapainoisesta tai historiallisesti vinoutuneesta opetusdatasta, mutta myös mallin suunnittelusta tai kysymyksen muotoilusta. Tunnettu esimerkki: hakijoiden seulontatyökalu, joka oppii aiemmista rekrytointipäätöksistä, voi ylläpitää olemassa olevaa syrjintää. Tilastotieteessä harha tarkoittaa myös estimaatin poikkeamaa todellisesta arvosta. Vastatoimia ovat monipuolinen data, säännölliset auditoinnit ja ihmisten tekemät henkilöstöpäätökset.

Tekoälyetiikka
Fairness
+1