Pojmovnik

Podaci za učenje

Što je Podaci za učenje?

Podaci za učenje su primjeri iz kojih UI model uči uzorke: velike zbirke tekstova za jezične modele, označene slike za modele slika. Njihova kvaliteta, raznolikost i aktualnost uvelike određuju koliko će model biti pouzdan i pošten te koliko će njegovo znanje biti ažurno. Organizacijama je važno i koristi li pružatelj podatke klijenata koje unesu za daljnje treniranje.

Kako KI.ordo pomaže

Prema komercijalnim uvjetima korištenja tvrtke Anthropic (stanje: listopad 2026.), Anthropic ne smije trenirati modele na sadržaju klijenata iz svojih usluga, a ocjene 👍/👎 u KI.ordo koriste se samo za poboljšanje znanja i uputa, a ne za treniranje modela.

Saznajte više

Teme

Podaci
Training
Zaštita podataka

Isprobajte KI.ordo

Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.

Pokrenite demo

← Svi pojmovi

Srodni pojmovi

Sintetički podaci

Sintetički podaci generiraju se umjetno, a ne prikupljaju u stvarnom svijetu, ali oponašaju uzorke i svojstva stvarnih podataka. Pomažu kada su pravi podaci rijetki, skupi ili osjetljivi s gledišta zaštite podataka – primjerice za testiranje softvera, treniranje modela ili provjeru chatbota realističnim primjerima upita. Važno je da dovoljno vjerno odražavaju stvarnost i da ne omogućuju zaključivanje o stvarnim osobama.

testni podaci
zaštita podataka
+1

Predložak

Nedostatak podataka

Nedostatak podataka javlja se kada nema dovoljno prikladnih ili označenih podataka da bi se model za UI zadatak pouzdano trenirao ili testirao. Pogađa, primjerice, rijetke vrste kvarova u proizvodnji, rijetke jezike ili nove proizvode bez povijesti prodaje. Rješenja uključuju prijenosno učenje, sintetičke podatke, augmentaciju podataka ili unaprijed trenirane jezične modele koji daju upotrebljive rezultate već s nekoliko primjera.

podaci za treniranje
kvaliteta podataka
+1

Garbage in, garbage out (GIGO)

„Garbage in, garbage out” (smeće unutra, smeće van) opisuje načelo da sustav može dati samo onoliko dobre rezultate koliko su dobri podaci koje prima. To dvostruko vrijedi za UI: netočni, zastarjeli ili jednostrani podaci za treniranje ili znanje dovode do pogrešnih ili pristranih odgovora. Chatbot koji se oslanja na zastarjeli cjenik navodit će zastarjele cijene. Briga o podacima stoga je trajan zadatak u svakom UI projektu.

Kvaliteta podataka
Načelo
+1

Bias

U području UI-ja pristranost označava sustavno iskrivljenje rezultata. Često proizlazi iz neuravnoteženih ili povijesno iskrivljenih podataka za učenje, ali i iz dizajna modela ili načina na koji je pitanje postavljeno. Poznat primjer: alat za probir kandidata koji uči iz prošlih odluka o zapošljavanju može produljiti postojeće nepovoljne položaje. U statistici pristranost označava i odstupanje procjene od stvarne vrijednosti. Protumjere uključuju raznolike podatke, redovite revizije i ljudske odluke u kadrovskim pitanjima.

Etika UI-ja
Fairness
+1