Dataschaarste ontstaat wanneer er te weinig geschikte of gelabelde data is om een model voor een AI-taak betrouwbaar te trainen of te testen. Dit speelt bijvoorbeeld bij zeldzame defecttypen in de productie, niche-talen of nieuwe producten zonder verkoopgeschiedenis. Oplossingen zijn onder meer transfer learning, synthetische data, data-augmentatie of vooraf getrainde taalmodellen die met slechts enkele voorbeelden bruikbare resultaten leveren.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenSynthetische gegevens worden kunstmatig gegenereerd in plaats van in de echte wereld verzameld, maar bootsen de patronen en eigenschappen van echte gegevens na. Ze helpen wanneer echte gegevens schaars, duur of uit het oogpunt van gegevensbescherming gevoelig zijn – bijvoorbeeld om software te testen, modellen te trainen of een chatbot te controleren met realistische voorbeeldvragen. Het is belangrijk dat ze de werkelijkheid dicht genoeg benaderen en geen conclusies over echte personen toelaten.
Bij transfer learning dient een model dat al een grote algemene taak heeft geleerd als uitgangspunt voor een nieuw, gespecialiseerd model. In plaats van helemaal opnieuw te beginnen, wordt het aangepast, bijvoorbeeld door finetuning, met relatief weinig eigen gegevens. Dat bespaart rekentijd en gegevens, bijvoorbeeld wanneer een algemeen beeldmodel productiefouten op foto’s moet leren herkennen.
Few-shot learning is het vermogen van een model om een taak op te lossen met slechts een handvol voorbeelden. Bij taalmodellen gebeurt dit meestal rechtstreeks in de invoer: u toont twee of drie paren van vraag en gewenst antwoord, en het model past hetzelfde formaat en dezelfde stijl toe op nieuwe gevallen – zonder hertraining. Voorbeeld: drie correct gecategoriseerde klantvragen zijn vaak genoeg om verdere vragen op dezelfde manier te sorteren.
Trainingsgegevens zijn de voorbeelden waaruit een AI-model patronen leert: grote tekstverzamelingen voor taalmodellen, gelabelde afbeeldingen voor beeldmodellen. Hun kwaliteit, diversiteit en actualiteit bepalen grotendeels hoe betrouwbaar en eerlijk een model is en hoe actueel zijn kennis zal zijn. Voor organisaties is ook van belang of een aanbieder de klantgegevens die zij invoeren voor verdere training gebruikt.
