Przejdź do treści
Modellen en training

Trainingsdata

Trainingsdata is de verzameling teksten, beelden of metingen waarmee een algoritme patronen leert herkennen om zelfstandig taken uit te voeren.

Trainingsdata is het lesmateriaal waarmee een algoritme of AI-systeem wordt gevoed om te leren hoe het een specifieke taak moet uitvoeren. In plaats van een computerprogramma handmatig te voorzien van vaste regels, analyseert een zelflerend model enorme hoeveelheden voorbeelden. Op basis van die data ontdekt het systeem statistische verbanden, structuren en patronen, zodat het later bij nieuwe, onbekende situaties zelfstandig betrouwbare voorspellingen kan doen of passende antwoorden kan formuleren.

Binnen machine learning vormt trainingsdata letterlijk het fundament van het eindresultaat. De data kan bestaan uit geschreven artikelen, digitale foto's, geluidsfragmenten, tabelgegevens of computercode. Zonder deze invoer kan een model niet leren redeneren, vertalen of objecten herkennen.

Hoe werkt het leren van trainingsdata?

Het trainingsproces van een algoritme laat zich vergelijken met het onderwijs van een student. Wanneer een model moet leren om verdachte transacties bij een bank te signaleren, krijgt het duizenden historische overschrijvingen te zien. Bij elk voorbeeld staat vermeld of het destijds om legitiem betalingsverkeer of om fraude ging. Het model past zijn interne rekenwaarden telkens een klein beetje aan totdat het zelf het verschil accuraat kan inschatten.

Bij grote taalmodellen werkt dit principe op een abstracter niveau. Het model leest gigantische hoeveelheden tekst en probeert continu het volgende woord in een zin te raden. Door miljarden zinnen te verwerken, leert de AI niet alleen grammatica en feitenkennis, maar ook nuances in toon en stijl.

Een lokaal praktijkvoorbeeld: de fietsenmaker in Utrecht of Gent

Stel dat een coöperatie van fietsenmakers in steden zoals Utrecht, Leuven of Gent een app wil bouwen die schade aan e-bikes automatisch herkent. Klanten uploaden een foto van een haperende kettingkast of een beschadigd tandwiel, waarna het systeem direct het juiste onderdeel bestelt.

Om deze app te trainen, is specifieke trainingsdata nodig:

  • Voldoende variatie in beeldmateriaal: Foto's genomen in een slecht verlichte fietsenstalling bij het station, beelden in volle zon op het dorpsplein, en detailopnamen met modder of regen op het frame.
  • Heldere annotaties: Elk beeld moet door een ervaren mecanicien zijn voorzien van het juiste label, zoals versleten derailleur of gebroken spaak.
  • Balans tussen categorieën: Er moeten evenveel voorbeelden zijn van veelvoorkomende stadsfietsen als van zeldzamere bakfietsen, anders herkent het model die laatste groep nooit goed.

Wanneer de trainingsdata enkel bestaat uit schone studiofoto's van gloednieuwe modellen van één fabrikant, zal de app in de dagelijkse praktijk falen. Een AI presteert immers nooit beter dan de realiteit die in zijn trainingsdata besloten ligt.

Kwaliteit van trainingsdata: afval in is afval uit

In de wereld van datawetenschap geldt de bekende vuistregel garbage in, garbage out. Als de trainingsdata feitelijke onjuistheden, vooroordelen of ruis bevat, neemt het model die fouten over en vergroot het deze vaak zelfs uit. Wanneer een wervingsalgoritme van een Vlaamse overheidsdienst getraind wordt op historische cv's uit een periode waarin leidinggevende functies vrijwel uitsluitend door mannen werden bekleed, zal het algoritme mannelijke kandidaten onterecht voortrekken.

Een ander belangrijk aspect is representativiteit. Een model voor spraakherkenning dat alleen is gevoed met nieuwsberichten in het Algemeen Nederlands van de openbare omroep, zal grote moeite hebben met West-Vlaamse dialectklanken, straattaal uit Rotterdam of een hees stemgeluid aan een drukke loketbalie.

Juridische strijd, auteursrecht en synthetische data

Omdat hedendaagse AI-systemen afhankelijk zijn van onmetelijk grote databronnen, is er veel discussie ontstaan over de herkomst van trainingsdata. Veel techbedrijven hebben jarenlang teksten en beelden van het openbare internet verzameld zonder toestemming van de rechthebbenden. Schrijvers, fotografen en nieuwsuitgevers stellen dat hun creatieve arbeid zonder vergoeding is benut om commerciële systemen mee te bouwen.

Als reactie hierop blokkeren steeds meer websites geautomatiseerde webcrawlers via aangepaste technische protocollen. Tegelijkertijd sluiten AI-ontwikkelaars vaker officiële licentiedeals met uitgeverijen of archieven. Ook synthetische data, oftewel kunstmatig gegenereerde voorbeelden die door andere computermodellen worden geproduceerd, wint terrein om tekorten aan schone en privacyvriendelijke data op te vangen.

Veelgemaakte fouten bij het beheer van trainingsdata

Een veelvoorkomende misstap bij projecten is het zogeheten overfitten. Dit gebeurt wanneer een model de trainingsdata te letterlijk uit het hoofd leert in plaats van de onderliggende patronen te begrijpen. Het systeem haalt dan een perfecte score op de vertrouwde voorbeelden, maar bakt er niets van zodra een gebruiker een afwijkende vraag stelt.

Daarnaast vergeten ontwikkelaars geregeld om data vooraf te scheiden. Een strikte scheiding tussen de trainingsset (om te leren) en een aparte testset (om het resultaat blind te toetsen) is noodzakelijk om objectief vast te stellen of een AI werkelijk klaar is voor gebruik in de maatschappij.

Veelgestelde vragen

Wat is het verschil tussen trainingsdata en testdata?

Trainingsdata wordt gebruikt om het model de patronen te leren, terwijl testdata een aparte set voorbeelden is die het model nog nooit heeft gezien. Met de testdata controleert men of het algoritme zijn kennis goed kan toepassen op nieuwe situaties.

Waarom is datakwaliteit belangrijker dan datakwantiteit?

Een gigantische dataset vol spelfouten, vooroordelen of verkeerde labels leidt tot een onbetrouwbaar model. Een kleinere, zorgvuldig gecureerde en correct gelabelde dataset levert doorgaans veel betere en stabielere resultaten op.

Mogen makers van AI alle data van internet zomaar als trainingsdata gebruiken?

Nee, hierover lopen wereldwijd felle juridische discussies. Auteursrechten, databankenrecht en privacywetgeving zoals de AVG (GDPR) stellen grenzen aan wat zomaar van het web gehaald mag worden voor commerciële training.

← Alle termen in de AI-begrippenlijst

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›