Wat zijn trainingsdata?

Uit die voorbeelden worden bij het trainen de parameters van het model bepaald. Per soort model verschillen ze: teksten voor een taalmodel, gelabelde beelden of tekeningen voor beeldherkenning, onderdelen met gemeten tijden voor een tijdmodel. Bij gesuperviseerd leren hoort bij elk voorbeeld een label, het juiste antwoord, bijvoorbeeld de werkelijke tijd of de tolerantie die op de tekening staat. Trainingsdata zijn iets anders dan de invoer die een systeem verwerkt om één vraag te beantwoorden: invoer wordt pas trainingsdata als ze wordt bewaard en gebruikt om een model te bouwen of bij te stellen.

Hoe deel je trainingsdata in?

Gangbaar is om de voorbeelden te splitsen in een trainingsset, een validatieset voor het afstellen en een testset die pas aan het eind wordt gebruikt. Een prestatie gemeten op de trainingsdata zelf zegt weinig. De voorbeelden moeten het werk dekken waarop het model wordt ingezet, met juiste labels; fouten en uitzonderingen in de labels komen in het model terecht. Een voorbeeld dat zowel in de training als in de test zit, maakt de uitkomst mooier dan ze is.

Hoe werkt trainingsdata in de praktijk?

Voor een werkplaats gaat het vooral om rechten en vertrouwelijkheid. Een klanttekening is niet van jou; afspraken over vertrouwelijkheid bepalen meestal aan wie je haar mag doorgeven. Je eigen uurtarieven, inkoopprijzen en cyclustijden zijn bedrijfsgevoelig. Vraag de leverancier van elk systeem dat met AI werkt schriftelijk of bestanden worden gebruikt om modellen te trainen, voor wie dat model is en of je dat kunt uitsluiten. Leg het antwoord vast in de overeenkomst.

Waarmee wordt trainingsdata vaak verward?

Een tekening die je uploadt voor één berekening is invoer; trainingsdata wordt ze pas als ze voor een model wordt bewaard en gebruikt. Testdata vallen er evenmin onder: de testset dient om een getraind model te beoordelen en hoort juist buiten de training te blijven.