M\u00f3wi si\u0119, \u017ce modele AI s\u0105 tak dobre, jak dane, na kt\u00f3rych je trenujemy. Brzmi banalnie, ale w praktyce widz\u0119, \u017ce nawet do\u015bwiadczone zespo\u0142y pope\u0142niaj\u0105 fundamentalne b\u0142\u0119dy na etapie przygotowania danych. Ko\u0144czy si\u0119 to modelami, kt\u00f3re dzia\u0142aj\u0105 \u015bwietnie w laboratorium, a w produkcji zawodz\u0105. Albo gorzej \u2013 generuj\u0105 wyniki, kt\u00f3re wydaj\u0105 si\u0119 poprawne, ale s\u0105 g\u0142\u0119boko myl\u0105ce. Przyjrzyjmy si\u0119 trzem najcz\u0119stszym pu\u0142apkom, kt\u00f3re widz\u0119 w projektach AI ma\u0142ych i \u015brednich firm.<\/p>\n
Najcz\u0119stszy b\u0142\u0105d to u\u017cywanie danych historycznych bez zrozumienia, w jakich warunkach powsta\u0142y. Przyk\u0142ad: klient z bran\u017cy e-commerce chcia\u0142 zbudowa\u0107 model predykcji popytu na podstawie danych z ostatnich dw\u00f3ch lat. Nie uwzgl\u0119dni\u0142 pandemii, promocji jednorazowych ani zmian w asortymencie. Model dzia\u0142a\u0142 \u015bwietnie na danych treningowych, ale w praktyce prognozy by\u0142y nietrafione.<\/p>\n
Przed rozpocz\u0119ciem trenowania trzeba przeanalizowa\u0107, czy dane reprezentuj\u0105 normalne warunki biznesowe. Je\u015bli w danych s\u0105 zdarzenia jednorazowe (np. black friday, pandemia, awaria systemu), warto je oznaczy\u0107 i rozwa\u017cy\u0107 wykluczenie lub oddzielne modelowanie. W praktyce cz\u0119sto stosuje si\u0119 techniki augmentacji danych, aby zwi\u0119kszy\u0107 r\u00f3\u017cnorodno\u015b\u0107, ale najpierw trzeba zrozumie\u0107, czego brakuje.<\/p>\n
Model oparty na niereprezentatywnych danych to prosta droga do z\u0142ych decyzji. W e-commerce oznacza to nadmiar lub niedob\u00f3r zapas\u00f3w, a w SaaS \u2013 b\u0142\u0119dne rekomendacje dla u\u017cytkownik\u00f3w. Koszty utraconych korzy\u015bci s\u0105 ogromne.<\/p>\n
Mam klient\u00f3w, kt\u00f3rzy ch\u0119tnie zbieraj\u0105 ogromne ilo\u015bci danych, ale nie dbaj\u0105 o ich czysto\u015b\u0107. Duplikaty, brakuj\u0105ce warto\u015bci, b\u0142\u0119dne etykiety \u2013 to standard. Przyk\u0142ad: firma zbudowa\u0142a model klasyfikacji zg\u0142osze\u0144 serwisowych na podstawie 100 tysi\u0119cy przyk\u0142ad\u00f3w. Po wdro\u017ceniu okaza\u0142o si\u0119, \u017ce model myli krytyczne awarie z drobnymi usterkami, bo w danych treningowych etykiety by\u0142y nadawane r\u0119cznie i cz\u0119sto b\u0142\u0119dnie.<\/p>\n
Zainwestuj w pipeline do walidacji danych. Automatyczne skrypty do wykrywania anomalii, deduplikacji i sp\u00f3jno\u015bci etykiet to podstawa. Warto te\u017c wprowadzi\u0107 proces recenzji etykiet przez drug\u0105 osob\u0119, szczeg\u00f3lnie je\u015bli dane s\u0105 kluczowe. Cz\u0119sto lepiej mie\u0107 10 tysi\u0119cy dobrze oznaczonych przyk\u0142ad\u00f3w ni\u017c 100 tysi\u0119cy zaszumionych.<\/p>\n
Z\u0142e decyzje podejmowane na podstawie niedok\u0142adnych danych mog\u0105 kosztowa\u0107 firm\u0119 utrat\u0119 zaufania klient\u00f3w. W przypadku modeli rekomendacyjnych \u2013 spadek konwersji. W systemach diagnostycznych \u2013 ryzyko b\u0142\u0119dnych decyzji, kt\u00f3re mog\u0105 prowadzi\u0107 do przestoj\u00f3w.<\/p>\n
Wi\u0119kszo\u015b\u0107 firm traktuje model AI jako produkt jednorazowy: wytrenuj, wdr\u00f3\u017c i zapomnij. Tymczasem dane w produkcji zmieniaj\u0105 si\u0119 z czasem \u2013 zmieniaj\u0105 si\u0119 preferencje klient\u00f3w, pojawiaj\u0105 si\u0119 nowe produkty, zmieniaj\u0105 si\u0119 pory roku. To powoduje tzw. dryf danych (data drift). Przyk\u0142ad: model rekomendacji film\u00f3w trenowany na danych z 2022 roku w 2024 roku proponuje u\u017cytkownikom produkcje, kt\u00f3re ju\u017c s\u0105 nieaktualne, bo zmieni\u0142 si\u0119 katalog.<\/p>\n
Wdro\u017cenie monitoringu ci\u0105g\u0142ego. Nale\u017cy regularnie por\u00f3wnywa\u0107 rozk\u0142ad danych wej\u015bciowych z tym, na kt\u00f3rym trenowano model. Je\u015bli widzimy istotne r\u00f3\u017cnice, trzeba przekwalifikowa\u0107 model. W praktyce stosuje si\u0119 ponowne trenowanie co jaki\u015b czas i dodawanie nowych danych. Automatyzacja tego procesu to nie fanaberia, a konieczno\u015b\u0107.<\/p>\n
Model, kt\u00f3ry nie jest aktualizowany, staje si\u0119 coraz mniej skuteczny. Wydajno\u015b\u0107 spada, a u\u017cytkownicy to odczuwaj\u0105. W e-commerce oznacza to spadek konwersji, w systemach polecaj\u0105cych \u2013 mniejsze zaanga\u017cowanie. Koszty utraconych korzy\u015bci rosn\u0105 z ka\u017cdym miesi\u0105cem.<\/p>\n
B\u0142\u0119dy w strategii danych treningowych nie s\u0105 oczywiste na pierwszy rzut oka. Cz\u0119sto wychodz\u0105 dopiero po wdro\u017ceniu, gdy model zawodzi. Kluczem do sukcesu jest zrozumienie, \u017ce przygotowanie danych to nie jednorazowe zadanie, ale ci\u0105g\u0142y proces. Zadbaj o reprezentatywno\u015b\u0107, jako\u015b\u0107 i monitorowanie. Twoje AI b\u0119dzie Ci wdzi\u0119czne, a biznes \u2013 mniej bolesny.<\/p>\n
Je\u015bli potrzebujesz pomocy w audycie swoich danych lub proces\u00f3w ML, skontaktuj si\u0119 z nami \u2013 pomo\u017cemy unikn\u0105\u0107 typowych pu\u0142apek.<\/p>\n","protected":false},"excerpt":{"rendered":"
Wprowadzenie M\u00f3wi si\u0119, \u017ce modele AI s\u0105 tak dobre, jak dane, na kt\u00f3rych je trenujemy. Brzmi banalnie, ale w praktyce widz\u0119, \u017ce nawet do\u015bwiadczone zespo\u0142y pope\u0142niaj\u0105 fundamentalne b\u0142\u0119dy na etapie przygotowania danych. Ko\u0144czy si\u0119 to modelami, kt\u00f3re dzia\u0142aj\u0105 \u015bwietnie w laboratorium, a w produkcji zawodz\u0105. Albo gorzej \u2013 generuj\u0105 wyniki, kt\u00f3re wydaj\u0105 si\u0119 poprawne, ale<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7],"tags":[445,798,974,694],"class_list":["post-2524","post","type-post","status-publish","format-standard","hentry","category-warto-wiedziec","tag-agenci-ai","tag-bledy-404","tag-dane-treningowe","tag-uczenie-maszynowe"],"_links":{"self":[{"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/posts\/2524","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/comments?post=2524"}],"version-history":[{"count":0,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/posts\/2524\/revisions"}],"wp:attachment":[{"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/media?parent=2524"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/categories?post=2524"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/tags?post=2524"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}