Slovar pojmov

Podatki za učenje

Kaj je Podatki za učenje?

Podatki za učenje so primeri, iz katerih se model UI uči vzorcev: velike zbirke besedil za jezikovne modele, označene slike za slikovne modele. Njihova kakovost, raznolikost in aktualnost v veliki meri določajo, kako zanesljiv in pošten je model ter kako sodobno je njegovo znanje. Za organizacije je pomembno tudi, ali ponudnik vnesene podatke strank uporablja za nadaljnje učenje.

Kako pomaga KI.ordo

Po komercialnih pogojih storitve podjetja Anthropic (stanje oktober 2026) Anthropic ne sme učiti modelov na vsebinah strank iz svojih storitev, ocene 👍/👎 v KI.ordo pa se uporabljajo le za izboljšanje znanja in navodil, ne za učenje modelov.

Več o tem

Teme

Podatki
Training
Varstvo podatkov

Preizkusite KI.ordo

Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.

Začni predstavitev

← Vsi pojmi

Sorodni pojmi

Sintetični podatki

Sintetični podatki so ustvarjeni umetno in ne zbrani v resničnem svetu, vendar posnemajo vzorce in lastnosti resničnih podatkov. Pomagajo, kadar so pravi podatki redki, dragi ali občutljivi z vidika varstva podatkov – na primer za testiranje programske opreme, učenje modelov ali preverjanje klepetalnega robota z realističnimi vzorčnimi poizvedbami. Pomembno je, da dovolj natančno odražajo resničnost in ne omogočajo sklepanja o resničnih osebah.

testni podatki
varstvo podatkov
+1

Predloga

Pomanjkanje podatkov

O pomanjkanju podatkov govorimo, kadar za nalogo UI ni dovolj ustreznih ali označenih podatkov, da bi model zanesljivo naučili ali preizkusili. Prizadene na primer redke vrste napak v proizvodnji, redke jezike ali nove izdelke brez prodajne zgodovine. Rešitve so prenosno učenje, sintetični podatki, razširitev podatkov ali vnaprej naučeni jezikovni modeli, ki dajo uporabne rezultate že z nekaj primeri.

učni podatki
kakovost podatkov
+1

Garbage in, garbage out (GIGO)

„Garbage in, garbage out“ (smeti noter, smeti ven) opisuje načelo, da sistem lahko da le tako dobre rezultate, kot so podatki, ki jih prejme. Pri UI to velja dvojno: nepravilni, zastareli ali enostranski učni podatki ali podatki o znanju vodijo do napačnih ali pristranskih odgovorov. Klepetalni robot, ki se opira na zastarel cenik, bo navajal zastarele cene. Skrb za podatke je zato stalna naloga v vsakem projektu UI.

Kakovost podatkov
Načelo
+1

Bias

Pristranskost (bias) na področju UI pomeni sistematično izkrivljanje rezultatov. Pogosto izvira iz neuravnoteženih ali zgodovinsko izkrivljenih učnih podatkov, pa tudi iz zasnove modela ali načina, kako je vprašanje zastavljeno. Znan primer: orodje za izbor kandidatov, ki se uči iz preteklih zaposlitvenih odločitev, lahko ohranja obstoječe neenakosti. V statistiki pristranskost pomeni tudi odstopanje ocene od prave vrednosti. Protiukrepi vključujejo raznolike podatke, redne revizije in človeške odločitve o kadrovskih zadevah.

Etika UI
Fairness
+1