Dane treningowe: wzorce wynikają z jakości, a nie z ilości

Dane treningowe to zbiór przykładów przekazywanych modelowi, aby mógł nauczyć się wzorców — podobnie jak wtedy, gdy pokazuje się dziecku zdjęcia kotów, żeby nauczyć je, jak wygląda kot. Kluczowe jest to, że większa ilość danych nie zawsze oznacza lepsze rezultaty — jeśli dane są stronnicze (np. przedstawiają wyłącznie białe koty), model nie poradzi sobie z rozpoznawaniem czarnych kotów. Jakość oznacza, że dane muszą być reprezentatywne, poprawne i pozyskane zgodnie z prawem, w przeciwnym razie model nauczy się niewłaściwych wzorców.

Na egzaminie uważaj na pytania sugerujące, że model działa dobrze, ponieważ dysponuje dużą ilością danych — to pułapka. Zamiast tego sprawdź, czy dane obejmują wszystkie istotne przypadki (zakres), nie zawierają systematycznych błędów (stronniczość) i zostały zgromadzone za zgodą (legalność). Szybki test myślowy: gdyby to Ty był modelem, czy te dane nauczyłyby Cię właściwej reguły? Na przykład model rekrutacyjny wytrenowany wyłącznie na CV mężczyzn nauczy się preferować mężczyzn — nie dlatego, że sam w sobie jest seksistowski, lecz dlatego, że w danych brakuje przykładów dotyczących kobiet.

Aby to zapamiętać, wyobraź sobie wagę: na jednej szali znajduje się ilość danych, a na drugiej ich jakość. Na egzaminie szala zawsze przechyla się na korzyść jakości. Szybka kontrola: zadaj sobie pytanie „Czy te dane mają jakieś martwe pola lub problemy prawne?”. Jeśli tak, wyniki modelu są niewiarygodne bez względu na ilość dostępnych danych.