Trénovací data jsou soubor příkladů (texty, obrázky, nahrávky nebo tabulky), ze kterých se model umělé inteligence při trénování učí rozpoznávat vzory. Co v nich je, často a v jaké kvalitě, určuje, co model později umí, kde chybuje a jaké předsudky si odnáší.
Jak fungují trénovací data?
Trénovací data slouží jako učebnice, ze které si model sám odvodí pravidla. Při strojovém učení model opakovaně dostává příklady, zkouší odhadnout správný výsledek a podle chyby si upraví své vnitřní nastavení. U jazykového modelu jsou příkladem obrovské objemy textu a úkolem je odhadnout další slovo, u třídiče e-mailů zprávy označené „spam“ a „není spam“.
Data se obvykle dělí na tři části: trénovací (na nich se model učí), validační (na nich se ladí nastavení během vývoje) a testovací (na nich se nakonec ověří, jak model zvládá příklady, které nikdy neviděl). Kdyby se testovalo na trénovacích datech, výsledek by vypadal lépe, než jaký skutečně je.
Čím se trénovací data liší od dat, která vložíte do chatu?
Trénovací data model formují předem, dokument vložený do chatu mu jen poslouží jako podklad pro jednu odpověď. Text, který do konverzace vložíte, se tím automaticky nestává součástí znalostí modelu. Jestli ho poskytovatel smí později použít k trénování dalších verzí, je samostatná otázka nastavení a smluvních podmínek, kterou popisuje heslo použití dat k trénování.
Jaký je nejčastější omyl o trénovacích datech?
Častý omyl je, že model v trénovacích datech „vyhledává“ jako v databázi. Model si data neukládá jako archiv dokumentů, ale přetaví je do nastavení svých parametrů. Proto neumí spolehlivě říct, odkud informaci má, může si vymyslet zdroj a nezná události, které nastaly až po datu, kdy sběr dat skončil.
K čemu se znalost trénovacích dat hodí v práci?
- Učitel odborného výcviku: AI má z fotografie určit truhlářský spoj a plete si čepový spoj s jiným. Chápe, že v trénovacích datech bylo málo detailních snímků spojů, a výsledek porovná s odbornou příručkou.
- Personalista: zvažuje nástroj na třídění životopisů. Ptá se dodavatele, na jakých datech se model učil a jak hlídá zkreslení vůči ženám nebo starším uchazečům.
- Úřednice: AI jí dobře píše běžné dopisy, ale chybuje v pojmech místního předpisu. Ví, že takových textů bylo v datech málo, a přikládá předpis přímo k zadání.
Příklad zadání
Marketérka chce vědět, jak aktuální znalosti nástroj má, než po něm bude chtít přehled trhu.
Než začneme: do jakého data sahají tvoje trénovací data? Pak mi popiš hlavní trendy v e-mailovém marketingu. U každého trendu uveď, jestli vychází z tvých trénovacích dat, nebo z vyhledávání na webu, a u webových zdrojů přidej odkaz.
Model uvede přibližné datum a rozliší, co ví z trénování. Odpověď o datu ověřte v dokumentaci poskytovatele a novější informace dohledejte z uvedených odkazů.
Na co si u trénovacích dat dát pozor?
- Ověřujte aktuálnost. U zákonů, cen a novinek počítejte s tím, že model je nemusí znát. Nechte si odpověď doložit odkazem.
- Hledejte předsudky. Když výstup hodnotí lidi (uchazeče, žáky, klienty), zkontrolujte, jestli nezvýhodňuje určitou skupinu.
- Vypněte trénování na vašich datech. V nastavení nástroje nebo v podmínkách firemní licence ověřte, jestli poskytovatel smí vaše konverzace použít k trénování, a citlivé údaje vkládejte jen v souladu s GDPR a pravidly organizace.
Časté otázky
Jaký je rozdíl mezi trénovacími, validačními a testovacími daty?
Na trénovacích datech se model učí, na validačních se během vývoje ladí jeho nastavení a na testovacích se nakonec ověří, jak si poradí s příklady, které předtím neviděl.
Odkud se berou trénovací data jazykových modelů?
Obvykle jde o velké sbírky textů, z velké části veřejně dostupných, doplněné o data, která poskytovatel získá jinou cestou nebo nechá vytvořit lidmi. Přesné složení poskytovatelé většinou nezveřejňují.