Słownik pojęć

Garbage in, garbage out (GIGO)

Czym jest Garbage in, garbage out (GIGO)?

„Garbage in, garbage out” (dosł. „śmieci na wejściu, śmieci na wyjściu”) to zasada mówiąca, że system może dawać wyniki tylko tak dobre, jak dane, które otrzymuje. W przypadku AI dotyczy to podwójnie: błędne, nieaktualne lub jednostronne dane treningowe albo dane wiedzy prowadzą do błędnych lub stronniczych odpowiedzi. Chatbot korzystający z nieaktualnego cennika będzie podawał nieaktualne ceny. Dbanie o dane jest więc stałym zadaniem w każdym projekcie AI.

Jak pomaga KI.ordo

Także w KI.ordo odpowiedzi zależą od jakości udostępnionej wiedzy; lista luk w wiedzy pokazuje, do jakich pytań brakuje jednoznacznych źródeł.

Dowiedz się więcej

Tematy

Jakość danych
Zasada
Pielęgnacja wiedzy

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Czyszczenie danych

Czyszczenie danych to wykrywanie i poprawianie błędnych, zdublowanych lub niespójnych wpisów w zbiorach danych. Typowe kroki to ujednolicanie pisowni i formatów dat, usuwanie zbędnych spacji oraz łączenie duplikatów, takich jak „Kowalski sp. z o.o.” i „Kowalski Sp. z o.o.”. Czyste dane są warunkiem rzetelnych analiz, mailingów i aplikacji AI.

jakość danych
duplikaty
+1

Szablon

Dane treningowe

Dane treningowe to przykłady, z których model AI uczy się wzorców: duże zbiory tekstów dla modeli językowych, obrazy z etykietami dla modeli obrazowych. Ich jakość, różnorodność i aktualność w dużej mierze decydują o tym, jak niezawodny i sprawiedliwy jest model oraz jak aktualna jest jego wiedza. Dla organizacji ma też znaczenie, czy dostawca wykorzystuje wprowadzane przez klientów dane do dalszego trenowania.

Dane
Training
+1

Walidacja danych

Walidacja danych sprawdza, czy dane są kompletne, poprawnie sformatowane i wiarygodne, zanim zostaną przetworzone dalej. Typowe kontrole dotyczą pól obowiązkowych, formatu adresów e-mail, kodów pocztowych lub dat oraz sprzeczności logicznych – na przykład terminu dostawy przypadającego przed datą zamówienia. Dzięki temu błędy wychodzą na jaw wcześnie, zamiast przedostawać się do raportów, faktur lub analiz AI.

jakość danych
kontrole
+1

Szablon

Zarządzanie danymi (data governance)

Data governance to reguły, role i procesy, według których organizacja ustala, kto może zbierać, wykorzystywać, zmieniać i usuwać jakie dane. Obejmuje odpowiedzialność za jakość danych, prawa dostępu, okresy przechowywania i zgodność z wymogami ochrony danych. Ma szczególne znaczenie w projektach AI, ponieważ modele i agenci są tak niezawodni, jak dane, na których się opierają.

zarządzanie danymi
compliance
+1