Datu-bolumen handia IA indartsua eraikitzeko helburu nagusia bazen ere, arreta datu-multzo fideltasun handikoetara aldatu da. Kalitateak informazioaren zehaztasuna eta garrantzia azpimarratzen ditu, eta kantitateak, berriz, ikaskuntza sakoneko ereduek benetako mundu konplexuetan orokortzeko behar duten zabalera estatistikoa ematen du.
Datu-multzo bat zeregin jakin baterako zenbateraino den zehatza, garbia eta adierazgarria neurria.
Algoritmo batek prozesatzeko eskuragarri dauden behaketa edo datu-puntu indibidual guztien bolumen hutsa.
| Ezaugarria | Datuen Kalitatea | Datuen kantitatea |
|---|---|---|
| Helburu nagusia | Zehaztasuna eta Fidagarritasuna | Aniztasuna eta Orokortzea |
| Entrenamendu Abiadura | Konbergentzia azkarra | Motela eta baliabide asko behar dituena |
| Eredu Ideal Mota | ML tradizionala (SVM, Zuhaitzak) | Ikaskuntza sakona (sare neuronalak) |
| Arrisku nagusia | Lagin txikiko alborapena | Alborapen algoritmikoa eta zarata |
| Erosketa-kostua | Altua (Eskuzko etiketatzea) | Aldagaia (Automated scraping) |
| Logikan duen eragina | Kausa-ondorio argiagoa | Ezkutuko korrelazioak aurkitzen ditu |
Urteetan zehar, industriak "eskalatze legeak" jarraitu ditu, datu gehiagok ia beti errendimendu hobea dakarrela iradokiz. Hala ere, ikertzaileek aurkitzen ari dira kalitate baxuko datuak gehitzeak ereduen arrazoibidea hondatzen duela. Pentsa ezazu ikasle batek hamar testuliburu kalitate handiko irakurtzen dituela mila blog mezu gaizki idatziren aldean; ulermenaren sakontasunak lehenengoaren alde egiten du normalean.
Kantitate handiko ikuspegi batek suposatzen du zarata azkenean milioika laginetan "ezabatu" egingo dela. Honek zeregin sinpleetarako balio duen arren, kalitatean oinarritutako entrenamenduak proaktiboki kentzen ditu modelo bat ondorio faltsuetara eraman dezaketen muturreko balioak. Diagnostiko medikoa bezalako arrisku handiko arloetan, etiketa perfektuko irudi batek mila lauso baino gehiago balio du askotan.
Datu-multzo erraldoietan trebatzea izugarri garestia da, GPU denbora asteak eta energia-kontsumo izugarria behar ditu. Datu-multzo txikiago eta kalitate handiko bat zainduz, garatzaileek emaitza antzekoak edo hobeak lor ditzakete hardwarearen zati txiki batekin. Aldaketa honek IA sofistikatua eskuragarriago egiten du zerbitzari-ustiategi erraldoiak ordaindu ezin dituzten erakunde txikientzat.
Kantitateak bikain egiten du "Isats Luzea" atzemateko, hau da, milioi bat aldiz behin bakarrik gertatzen diren gertaera arraro horiek. Datu-multzo txiki eta garbienak ere kasu kritiko hauek gal ditzake. Sistema sendo bat eraikitzeko, hala nola auto autonomo bat, datu-bolumen handia behar duzu, modeloak eguraldi-baldintza arraro edo trafiko-eszenatoki posible guztiak ikusi dituela ziurtatzeko.
Datu nahikoa baditut, kalitateak ez du axola.
Tranpa arriskutsua da hau. Datu txarrek 'alborapenaren anplifikazioa' dakar, non ereduak datu-multzo erraldoian dauden akatsak edo aurreiritziak ikasi eta are gehiago handitzen dituen.
Datu sintetikoek kantitatearekin bakarrik laguntzen dute.
Egia esan, kalitate handiko datu sintetikoak askotan erabiltzen dira kalitate arazoak konpontzeko. Datu multzo bat berriro orekatu dezake gutxi ordezkatuta dauden taldeen "adibide perfektuak" sortuz.
Datuen garbiketa behin bakarrik egin beharreko lana da.
Datuen kalitatea etengabeko ziklo bat da. Benetako baldintzak aldatzen diren heinean (datuen desbideratzea), etengabe egiaztatu behar duzu zure datuek uneko errealitatea zehatz-mehatz islatzen dutela oraindik ere.
Datu-multzo txikiek ezin dituzte inoiz handiak gainditu.
Erreferentziazko proba askotan, datu-multzo baten % 10ean entrenatutako modeloek —«gogortasunari» eta kalitateari dagokionez arretaz hautatutakoek— % 100 osoan entrenatutako modeloek baino errendimendu hobea izan dute.
Zuzenbidea edo medikuntza bezalako arlo espezializatuetan lan egiten baduzu, non zehaztasuna negoziaezina den, datu-kalitatearen ikuspegia aukeratu. Gizakiaren sarrera sorta zabal eta aurreikusezina kudeatu behar duten helburu orokorreko ereduak eraikitzean, datu-kantitatearen ikuspegia aukeratu.
Errendimenduaren jarraipenaren munduan nabigatzeak adierazle nagusien eta atzeratuen ulermen sendoa eskatzen du. Adierazle atzeratuek gertatutakoa baieztatzen duten bitartean, hala nola diru-sarrera osoak, adierazle nagusiek seinale iragarle gisa jokatzen dute, taldeei beren estrategia denbora errealean egokitzen laguntzen dietenak helburu handinahiak lortzeko.
Lanpetuta egotearen eta benetan aurrera egitearen arteko aldea ulertzea ezinbestekoa da edozein negozio eskalatzailerentzat. Aurrerapenaren ilusioak neurri hutsalak eta jarduera frenetikoak elikatzen diren bitartean, hazkunde neurgarria datu objektiboetan eta emaitza iraunkorretan oinarritzen da, denboran zehar metatzen direnak benetako epe luzerako balioa sortzeko.
Bi metodologiak errendimendu digitala optimizatzeko balio duten arren, funtsean teknologia-geruza desberdinetan funtzionatzen dute. Proba azkarrak IA eredu sortzaileak gidatzen dituzten sarrera linguistikoak fintzean jartzen du arreta, eta A/B probak, berriz, web orri edo aplikazio baten funtzio baten bi bertsio desberdin alderatzeko esparru estatistiko zorrotza eskaintzen du, zeinek duen eraginik hobeto benetako erabiltzaileekin ikusteko.
Konparaketa honek bizitza-istorio indibidualen sakontasun pertsonal eta kualitatiboaren eta datuetan aurkitzen diren eredu kuantitatibo zabalen arteko funtsezko bereizketa aztertzen du. Estatistikek gizarte-joeren mapa orokor bat eskaintzen duten bitartean, bizitako esperientziak zenbakiek askotan jasotzen ez dituzten ñabardura eta egia emozional funtsezkoak eskaintzen ditu.
Bi arloek datuen barruko harreman konplexuak aztertzen dituzten bitartean, espazio-tenporaleko meatzaritzak espazio fisikoan eta denboran zehar eboluzionatzen duten ereduetan jartzen du arreta. Aldiz, grafoen meatzaritza ez-tenporalak sareen egitura estruktural estatikoa ikertzen du, hala nola hierarkia sozialak edo lotura kimikoak, non konexioen denbora ez den topologia orokorra baino kritikoagoa.
