Slovník pojmov

Trénovacie dáta

Čo je Trénovacie dáta?

Trénovacie dáta sú príklady, z ktorých sa model AI učí vzory: rozsiahle zbierky textov pre jazykové modely, označené obrázky pre obrazové modely. Ich kvalita, rozmanitosť a aktuálnosť vo veľkej miere určujú, nakoľko je model spoľahlivý a férový a nakoľko aktuálne budú jeho znalosti. Pre organizácie je dôležité aj to, či poskytovateľ používa zadané zákaznícke dáta na ďalšie trénovanie.

Ako pomáha KI.ordo

Podľa komerčných podmienok služby spoločnosti Anthropic (stav k októbru 2026) Anthropic nesmie trénovať modely na obsahu zákazníkov zo svojich služieb a hodnotenia 👍/👎 v KI.ordo sa používajú iba na zlepšenie znalostí a pokynov, nie na trénovanie modelov.

Zistiť viac

Témy

Údaje
Training
ochrana údajov

Vyskúšajte KI.ordo

Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.

Spustiť demo

← Všetky pojmy

Súvisiace pojmy

Syntetické dáta

Syntetické dáta sa generujú umelo, a nie zhromažďujú v reálnom svete, ale napodobňujú vzory a vlastnosti skutočných dát. Pomáhajú, keď sú skutočné dáta vzácne, drahé alebo citlivé z hľadiska ochrany údajov – napríklad pri testovaní softvéru, trénovaní modelov alebo kontrole chatbota pomocou realistických vzorových dopytov. Dôležité je, aby dostatočne verne odrážali realitu a neumožňovali závery o skutočných osobách.

testovacie dáta
ochrana údajov
+1

Šablóna

Nedostatok údajov

Nedostatok údajov nastáva, keď je pre úlohu AI príliš málo vhodných alebo označených údajov na spoľahlivé trénovanie alebo testovanie modelu. Týka sa to napríklad zriedkavých typov chýb vo výrobe, málo rozšírených jazykov alebo nových produktov bez histórie predaja. Riešením sú prenosové učenie (transfer learning), syntetické údaje, augmentácia údajov alebo vopred natrénované jazykové modely, ktoré poskytnú použiteľné výsledky už z niekoľkých príkladov.

trénovacie údaje
kvalita údajov
+1

Garbage in, garbage out (GIGO)

„Garbage in, garbage out“ (z angl. „odpad na vstupe, odpad na výstupe“) opisuje zásadu, že systém môže vytvoriť len také dobré výsledky, aké dobré údaje dostane. Pri AI to platí dvojnásobne: nesprávne, zastarané alebo jednostranné trénovacie či znalostné údaje vedú k nesprávnym alebo skresleným odpovediam. Chatbot, ktorý čerpá zo zastaraného cenníka, bude uvádzať zastarané ceny. Starostlivosť o údaje je preto trvalou úlohou v každom projekte s AI.

Kvalita údajov
Zásada
+1

Bias

Skreslenie (bias) v AI označuje systematické skreslenie výsledkov. Často pochádza z nevyvážených alebo historicky skreslených trénovacích údajov, ale aj z návrhu modelu alebo zo spôsobu, akým je otázka položená. Známy príklad: nástroj na preverovanie uchádzačov, ktorý sa učí z minulých rozhodnutí o prijatí, môže udržiavať existujúce znevýhodnenia. V štatistike bias znamená aj odchýlku odhadu od skutočnej hodnoty. Protiopatrenia zahŕňajú rozmanité údaje, pravidelné audity a ľudské rozhodovanie v personálnych otázkach.

Etika AI
Fairness
+1