Lipsa datelor apare atunci când există prea puține date adecvate sau etichetate pentru ca o sarcină IA să poată antrena sau testa un model în mod fiabil. Aceasta afectează, de exemplu, tipurile rare de defecte din producție, limbile de nișă sau produsele noi fără istoric de vânzări. Soluțiile includ transfer learning, date sintetice, augmentarea datelor sau modele lingvistice pre-antrenate, care oferă rezultate utile chiar și cu puține exemple.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulDatele sintetice sunt generate artificial, nu colectate din lumea reală, dar imită tiparele și proprietățile datelor reale. Ajută atunci când datele autentice sunt puține, costisitoare sau sensibile din perspectiva protecției datelor – de exemplu pentru testarea software-ului, antrenarea modelelor sau verificarea unui chatbot cu interogări-exemplu realiste. Este important ca ele să reflecte suficient de fidel realitatea și să nu permită tragerea de concluzii despre persoane reale.
În învățarea prin transfer, un model care a învățat deja o sarcină generală amplă servește drept punct de pornire pentru unul nou, specializat. În loc să înceapă de la zero, este adaptat, de exemplu prin reglaj fin, folosind relativ puține date proprii. Aceasta economisește timp de calcul și date, de exemplu atunci când un model general de imagini trebuie să învețe să depisteze defecte de fabricație în fotografii.
Few-shot learning este capacitatea unui model de a rezolva o sarcină pornind de la doar câteva exemple. La modelele lingvistice, aceasta se petrece de obicei direct în intrare: se arată două sau trei perechi de întrebare și răspuns dorit, iar modelul aplică același format și stil cazurilor noi – fără reantrenare. Exemplu: trei solicitări de client categorisite corect sunt adesea suficiente pentru ca solicitările următoare să fie sortate la fel.
Datele de antrenare sunt exemplele din care un model de IA învață tipare: colecții mari de texte pentru modelele lingvistice, imagini etichetate pentru modelele de imagini. Calitatea, diversitatea și actualitatea lor determină în mare măsură cât de fiabil și echitabil este un model și cât de actuale sunt cunoștințele sale. Pentru organizații contează și dacă un furnizor folosește datele clienților introduse de aceștia pentru antrenare ulterioară.
