Træningsdata er de data, en AI-model lærer sine mønstre af. For en sprogmodel er det enorme mængder tekst fra internettet, bøger og andre kilder.
Modellen gemmer ikke teksterne som et arkiv. Den lærer statistiske sammenhænge mellem ord og begreber, og dem bruger den, når den skriver. Derfor afspejler svarene træningsdataene: deres sprog, deres viden og deres skævheder. Er dansk sparsomt repræsenteret, bliver modellens dansk tilsvarende mindre præcist, og skævheder i data kan gå igen som bias.
Træningsdata har også en slutdato. Det, der er sket efter den, kender modellen kun, hvis den får adgang til nye kilder, for eksempel via søgning eller RAG.
I praksis
Når en kollega spørger, om AI'en ved noget om jeres organisation, er svaret som regel nej. Den kender mønstre fra sine træningsdata. Giv den derfor jeres egne kilder med i opgaven i stedet for at regne med, at den kender jer.
Træningsdata rejser også spørgsmål om ophavsret.
Begreberne i ordlisten går igen i mine AI-kurser og workshops, hvor vi arbejder med dem i jeres egne opgaver.