Adathiányról akkor beszélünk, ha egy MI-feladathoz túl kevés megfelelő vagy címkézett adat áll rendelkezésre ahhoz, hogy a modell megbízhatóan betanítható vagy tesztelhető legyen. Érinti például a ritka gyártási hibatípusokat, a kisebb nyelveket vagy az értékesítési előzmények nélküli új termékeket. Megoldást jelentenek a transzfertanulás, a szintetikus adatok, az adatbővítés vagy az előre betanított nyelvi modellek, amelyek néhány példából is használható eredményt adnak.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA szintetikus adatokat mesterségesen állítják elő, nem a valós világban gyűjtik, de utánozzák a valódi adatok mintáit és tulajdonságait. Segítenek, ha az eredeti adatból kevés van, drága, vagy adatvédelmi szempontból érzékeny – például szoftverek teszteléséhez, modellek tanításához vagy egy csevegőrobot ellenőrzéséhez életszerű mintakérdésekkel. Fontos, hogy elég pontosan tükrözzék a valóságot, és ne tegyenek lehetővé következtetéseket valós személyekre.
A transzferalapú tanulás (transfer learning) során egy olyan modell szolgál kiindulópontként egy új, specializált modellhez, amely már megtanult egy nagy, általános feladatot. A nulláról indulás helyett igazítják, például finomhangolással, viszonylag kevés saját adat felhasználásával. Ez számítási időt és adatot takarít meg, például amikor egy általános képi modellnek meg kell tanulnia a gyártási hibák felismerését fényképeken.
A few-shot tanulás a modell azon képessége, hogy egy feladatot csupán maroknyi példa alapján megold. Nyelvi modelleknél ez általában közvetlenül a bemenetben történik: két-három kérdés–kívánt válasz párt mutatunk, és a modell ugyanazt a formátumot és stílust alkalmazza az új esetekre – újratanítás nélkül. Példa: három helyesen kategorizált ügyfélmegkeresés gyakran elég ahhoz, hogy a további megkereséseket ugyanígy rendezzék.
A tanítóadatok azok a példák, amelyekből egy MI-modell mintákat tanul: nagy szöveggyűjtemények a nyelvi modellekhez, címkézett képek a képi modellekhez. Minőségük, sokféleségük és aktualitásuk nagyban meghatározza, mennyire megbízható és igazságos egy modell, és mennyire naprakész a tudása. A szervezetek számára az is számít, hogy a szolgáltató a megadott ügyféladatokat felhasználja-e további tanításhoz.
