Ausbildungsdaten

In den Bereichen der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) sind Trainingsdaten der grundlegende Datensatz, der verwendet wird, um Modellen beizubringen, wie sie bestimmte Aufgaben, z. B. Klassifizierung oder Vorhersage, durchführen können. Sie bestehen aus einer großen Sammlung von Beispielen, wobei jedes Beispiel typischerweise eine Eingabe mit einer entsprechenden gewünschten Ausgabe oder Bezeichnung verbindet. Durch Prozesse wie das überwachte Lernen analysiert das Modell diese Daten, identifiziert die zugrunde liegenden Muster und Beziehungen und passt seine internen Parameter(Modellgewichte) an, um die Zuordnung von Eingaben zu Ausgaben zu erlernen. Durch dieses Lernen ist das Modell in der Lage, genaue Vorhersagen zu treffen oder Entscheidungen zu treffen, wenn es mit neuen, zuvor nicht gesehenen Daten konfrontiert wird.

Was sind Trainingsdaten?

Betrachten Sie die Trainingsdaten als das Lehrbuch und die Übungsaufgaben für ein KI-Modell. Es handelt sich dabei um einen sorgfältig zusammengestellten Satz von Informationen, die speziell als Beispiele für die Lernphase formatiert sind. Bei Computer-Vision-Aufgaben (CV) wie der Objekterkennung beispielsweise bestehen die Trainingsdaten aus Bildern oder Videoframes (den Eingangsmerkmalen), gepaart mit Anmerkungen (Labels), die den Ort(Bounding Boxes) und die Klasse der Objekte in diesen Bildern angeben. Die Erstellung dieser Beschriftungen ist ein entscheidender Schritt, der als Data Labeling bezeichnet wird. Das Modell verarbeitet diese Daten iterativ, vergleicht seine Vorhersagen mit den tatsächlichen Beschriftungen und passt seine Parameter mit Techniken wie Backpropagation und Gradientenabstieg an, um den Fehler oder die Verlustfunktion zu minimieren.

Die Bedeutung von Trainingsdaten

Die Leistung und Zuverlässigkeit eines KI-Modells sind direkt mit der Qualität, Quantität und Vielfalt seiner Trainingsdaten verbunden. Qualitativ hochwertige, repräsentative Daten sind unerlässlich für die Erstellung von Modellen, die eine hohe Genauigkeit erreichen und sich gut auf reale Szenarien verallgemeinern lassen(Generalisierung in der ML). Umgekehrt können unzureichende, verrauschte oder verzerrte Trainingsdaten zu erheblichen Problemen führen, wie z. B. schlechte Leistung, Overfitting (wenn das Modell bei Trainingsdaten gut, bei neuen Daten aber schlecht abschneidet) oder unfaire und diskriminierende Ergebnisse aufgrund von inhärenten Datensatzverzerrungen. Der Umgang mit Verzerrungen ist ein wichtiger Aspekt der KI-Ethik. Daher sind eine sorgfältige Datenerfassung, -kommentierung und -vorbereitung entscheidende Schritte bei der Entwicklung erfolgreicher KI-Systeme.

Beispiele für Trainingsdaten in realen Anwendungen

Trainingsdaten sind der Treibstoff für unzählige KI-Anwendungen in den verschiedensten Bereichen. Hier sind zwei Beispiele:

1. Autonome Fahrzeuge: Selbstfahrende Autos sind in hohem Maße auf Trainingsdaten für Wahrnehmungssysteme angewiesen. Diese Daten umfassen riesige Mengen an Bildmaterial von Kameras, LiDAR- und Radarsensoren, die sorgfältig mit Objekten wie anderen Fahrzeugen, Fußgängern, Radfahrern, Ampeln und Fahrbahnmarkierungen gekennzeichnet sind. Modelle, wie sie in der Technologie von Waymo verwendet werden, werden auf Datensätzen wie Argoverse trainiert, um zu lernen, wie man sicher durch komplexe Umgebungen navigiert. Weitere Details finden Sie unter KI in Automobillösungen.
2. Stimmungsanalyse: Bei der Verarbeitung natürlicher Sprache (NLP) bestimmen Modelle der Stimmungsanalyse den emotionalen Ton eines Textes. Die Trainingsdaten bestehen aus Textproben (z. B. Kundenrezensionen, Beiträge in sozialen Medien), die mit Stimmungen wie "positiv", "negativ" oder "neutral" gekennzeichnet sind(Sentiment Analysis - Wikipedia). Auf diese Weise können Unternehmen die öffentliche Meinung oder die Kundenzufriedenheit automatisch bewerten.

Datenqualität und -aufbereitung

Die Gewährleistung einer hohen Qualität der Trainingsdaten ist von größter Bedeutung und umfasst mehrere wichtige Schritte. Die Datenbereinigung (Wikipedia) befasst sich mit Fehlern, Inkonsistenzen und fehlenden Werten. Bei der Datenvorverarbeitung werden die Rohdaten in ein für das Modell geeignetes Format umgewandelt. Techniken wie die Datenerweiterung (Data Augmentation) erweitern den Datensatz künstlich, indem sie modifizierte Kopien vorhandener Daten erstellen (z. B. durch Drehen oder Beschneiden von Bildern), was die Robustheit des Modells verbessert und die Überanpassung reduziert. Das Verständnis Ihrer Daten durch Erkundung, die durch Tools wie den Ultralytics Datasets Explorer erleichtert wird, ist ebenfalls entscheidend, bevor Sie mit dem Trainingsprozess beginnen.

Trainingsdaten vs. Validierungs- und Testdaten

Bei einem typischen ML-Projekt werden die Daten in drei verschiedene Gruppen aufgeteilt:

• Trainingsdaten: Der größte Teil, der direkt zum Trainieren des Modells durch Anpassung seiner Parameter verwendet wird. Ein effektives Training beinhaltet oft die sorgfältige Berücksichtigung von Tipps für das Modelltraining.
• Validierungsdaten: Eine separate Teilmenge, die regelmäßig während des Trainings verwendet wird, um die Leistung des Modells auf Daten zu bewerten, aus denen es nicht explizit gelernt hat. Dies hilft bei der Abstimmung von Hyperparametern (z. B. Lernrate, Stapelgröße) über Prozesse wie Hyperparameter-Optimierung (Wikipedia) und bietet eine frühzeitige Warnung vor Überanpassung. Für diese Auswertung wird der Validierungsmodus verwendet.
• Testdaten: Ein unabhängiger Datensatz, der während des Trainings und der Validierung ungesehen bleibt und erst verwendet wird , wenn das Modell vollständig trainiert ist. Er liefert die endgültige, unvoreingenommene Bewertung der Generalisierungsfähigkeit des Modells und der erwarteten Leistung in der realen Welt. Rigorose Modelltests sind vor dem Einsatz von entscheidender Bedeutung.

Eine strikte Trennung zwischen diesen Datensätzen ist für die Entwicklung zuverlässiger Modelle und die genaue Bewertung ihrer Fähigkeiten unerlässlich. Plattformen wie Ultralytics HUB bieten Tools zur effektiven Verwaltung dieser Datensätze während des gesamten Lebenszyklus der Modellentwicklung. Hochmoderne Modelle wie Ultralytics YOLO werden häufig auf großen Benchmark-Datensätzen wie COCO oder ImageNet trainiert, die als umfangreiche Trainingsdaten dienen.