Trainingsdata is de verzameling voorbeelden waar een AI-model van leert. Tijdens de training bestudeert het model dit materiaal keer op keer en pikt het de patronen op waarmee het later vragen kan beantwoorden, tekst kan classificeren of beelden kan genereren. Wat het model ook kan, het leerde dat door voorbeelden uit deze data.
Een simpele vergelijking is een kind leren dieren herkennen. Laat het duizenden heldere, correct gelabelde foto’s zien en het herkent overal een hond. Laat het alleen wazige plaatjes zien, of noem katten per ongeluk honden, en het zal het op precies dezelfde manier fout doen. Een model is niet anders: zijn kunde is een spiegel van zijn trainingsdataset. Daarom heeft datalabeling, de stap waarin je elk voorbeeld correct tagt, zo’n grote invloed op de uiteindelijke kwaliteit.
De data bepaalt ook de grenzen. Komt een onderwerp, taal of randgeval nooit in de voorbeelden voor, dan heeft het model daar een blinde vlek, en elke vooringenomenheid in de data komt meestal terug in de output. Een spamfilter dat alleen op Engelse mails is getraind, laat Nederlandse spam zo doorglippen. En een model dat jaren oude aannames als voorbeeld krijgt, neemt elke scheefheid daarin stilletjes over.
Daarom kijk je niet alleen naar de omvang van een dataset, maar naar de samenstelling. Voor de modeltraining begint, zoek je naar gaten, dubbele records en verkeerde labels, want een fout die je in de data oplost is veel goedkoper dan eentje die je pas in productie ontdekt.
Bij TopDevs nemen we trainingsdata serieus als we AI voor een klant bouwen of bijstellen, en controleren we of die schoon, representatief en binnen de privacyregels verwerkt is voordat er ook maar één resultaat bij een gebruiker komt.
