Modelio kolapsas – tai kokybės praradimas, galintis atsirasti, kai generatyviniai modeliai pakartotinai mokomi duomenimis, kuriuos pati sukūrė DI. Pamažu išnyksta reti turiniai ir kraštutiniai atvejai, o rezultatai tampa vienodesni ir labiau linkę į klaidas. Ši problema darosi vis svarbesnė, nes DI sukurtų tekstų ir vaizdų dalis internete auga. Atsverti ją padeda kruopščiai atrinkti žmonių sukurti duomenys.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąSintetiniai duomenys generuojami dirbtinai, o ne renkami realiame pasaulyje, tačiau imituoja tikrų duomenų dėsningumus ir savybes. Jie padeda, kai tikrų duomenų trūksta, jie brangūs arba jautrūs duomenų apsaugos požiūriu – pavyzdžiui, testuojant programinę įrangą, mokant modelius ar tikrinant pokalbių robotą su tikroviškais pavyzdinių užklausų rinkiniais. Svarbu, kad jie pakankamai tiksliai atspindėtų tikrovę ir neleistų daryti išvadų apie realius asmenis.
Mokymo duomenys – pavyzdžiai, iš kurių DI modelis mokosi dėsningumų: dideli tekstų rinkiniai kalbos modeliams, pažymėti vaizdai vaizdų modeliams. Jų kokybė, įvairovė ir naujumas daugiausia lemia, kaip patikimas ir teisingas bus modelis ir kokios šviežios bus jo žinios. Organizacijoms taip pat svarbu, ar tiekėjas jų įvestus klientų duomenis naudoja tolesniam mokymui.
Generatyvinis DI – tai DI sistemos, kurios kuria naują turinį – tekstą, vaizdus, garsą, vaizdo įrašus ar programos kodą – o ne vien rūšiuoja ar vertina esamus duomenis. Jos grindžiamos modeliais, kurie iš didelių duomenų kiekių išmoksta dėsningumų ir juos naudoja tikėtiniems naujiems rezultatams kurti. Versle jis naudojamas, pavyzdžiui, el. laiškų, santraukų, produktų aprašymų ar vaizdų idėjų juodraščiams rengti. Rezultatuose gali būti klaidų, todėl prieš naudojant juos reikia patikrinti.
„Šiukšlės į įvestį – šiukšlės į išvestį“ (angl. garbage in, garbage out) apibūdina principą, kad sistema gali pateikti tik tokius rezultatus, kokie yra gaunami duomenys. DI tai galioja dvigubai: neteisingi, pasenę ar vienpusiški mokymo ar žinių duomenys lemia klaidingus ar šališkus atsakymus. Pokalbių robotas, remiantis pasenusiu kainoraščiu, nurodys pasenusias kainas. Todėl duomenų priežiūra yra nuolatinė kiekvieno DI projekto užduotis.
