Fogalomtár

Tanítóadatok

Mi a(z) Tanítóadatok?

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.

Így segít a KI.ordo

Az Anthropic kereskedelmi szolgáltatási feltételei szerint (2026. októberi állapot szerint) az Anthropic nem taníthat modelleket szolgáltatásainak ügyféltartalmain, a KI.ordo 👍/👎 értékeléseit pedig kizárólag a tudás és az utasítások javítására használják, nem modellek tanítására.

További információ

Témák

Adatok
Training
adatvédelem

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Szintetikus adatok

A 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.

tesztadatok
adatvédelem
+1

Sablon

Adathiány

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.

tanítóadatok
adatminőség
+1

Garbage in, garbage out (GIGO)

A „Garbage in, garbage out” („szemét be, szemét ki”) elve azt mondja ki, hogy egy rendszer csak olyan jó eredményt adhat, mint amilyen adatot kap. Ez az MI-re duplán igaz: a hibás, elavult vagy egyoldalú tanító- vagy tudásadatok téves vagy torz válaszokhoz vezetnek. Az a chatbot, amely elavult árlistából dolgozik, elavult árakat fog közölni. Az adatok gondozása ezért minden MI-projektben folyamatos feladat.

Adatminőség
alapelv
+1

Bias

Az MI területén a torzítás (bias) az eredmények rendszerszintű torzulását jelenti. Gyakran kiegyensúlyozatlan vagy történetileg torz tanítóadatokból ered, de a modell kialakításából vagy a kérdésfeltevés módjából is fakadhat. Ismert példa: egy pályázókat szűrő eszköz, amely a korábbi felvételi döntésekből tanul, továbbörökítheti a meglévő hátrányokat. A statisztikában a torzítás egy becslés valódi értéktől való eltérését is jelenti. Ellenintézkedés lehet a sokszínű adat, a rendszeres audit és a személyügyi kérdésekben hozott emberi döntés.

MI-etika
Fairness
+1