AI is alleen zo goed als de data die het leert. AI-aangedreven oplossingen stellen vaak dezelfde kritische vraag. Hoeveel data is genoeg om een betrouwbaar en efficiënt model te trainen?
Velen geloven dat het voeden van een AI-systeem met zoveel mogelijk data het automatisch slimmer zal maken. Dat is niet altijd het geval. Als de data rommelig inconsistent of irrelevant is, zal het AI-model moeite hebben om zinvolle resultaten te leveren.
De focus zou moeten liggen op het verzamelen van hoogwaardige data die de beoogde functie direct kan ondersteunen. Een goed samengestelde dataset met diverse en relevante data zal beter presteren dan een enorme dataset vol redundantie en ruis.
De hoeveelheid benodigde gegevens is afhankelijk van de complexiteit van de sector en het vereiste nauwkeurigheidsniveau. De beste aanpak is om te beginnen met een beheersbare dataset, test de prestaties en verfijn het model indien nodig met aanvullende gegevens.
Elke sector heeft unieke gegevensvereisten om ervoor te zorgen dat AI zinvolle inzichten en betrouwbare prestaties levert. Meer gegevens betekent niet altijd betere inzichten. Een kleinere dataset met goed gestructureerde en hoogwaardige informatie zal beter presteren dan een enorme dataset vol inconsistenties.
Het waarborgen van de gegevenskwaliteit omvat het verwijderen van duplicaten, het corrigeren van inconsistenties en het diversifiëren van de dataset om scenario’s uit de echte wereld te dekken. AI-systemen die zijn getraind op nauwkeurige, goed gelabelde gegevens, zullen betere voorspellingen doen en betrouwbaardere ondersteuning bieden.
AI-modellen zijn vraatzuchtig en consumeren data in verbazingwekkende mate, maar na jaren van het horen over de overweldigende vloed aan data, blijkt dat de wereld van AI eigenlijk meer nodig heeft.
Een grote uitdaging is het risico van verminderde outputdiversiteit. Deze zelfreferentiële aanpak kan de diversiteit van modeloutputs beperken, waardoor er homogeniteit ontstaat in gegenereerde reacties. Het continu trainen van modellen op door AI gegenereerde tekst kan bijvoorbeeld resulteren in repetitieve content of te vereenvoudigde verhalen.
Synthetische data kan er voor zorgen dat er meer synthetische data is dan echte data in AI-modellen zal zijn, wat er uiteindelijk toe zal leiden dat het we worden overspoeld met synthetisch gegenereerde data. Als gevolg hiervan kunnen de doelen op het gebied van milieu, maatschappij en bestuur verder onder druk gezet worden, aangezien we AI-innovatie niet in evenwicht brengen met duurzaamheid.
Gezien deze uitdagingen moeten we slimmere strategieën hanteren om AI duurzaam en efficiënt te gebruiken. Eén oplossing is om te focussen op kleine taalmodellen, die grote taalmodellen verfijnen en reduceren tot een zeer specifieke, geconcentreerde vorm.
Een belangrijke overweging voor duurzame AI-ontwikkeling is het moderniseren van de data-infrastructuur. Naarmate AI groeit, groeit ook de behoefte aan slimmere, energiezuinigere systemen. We moeten verder kijken dan GPU-vermogen om innovatie in evenwicht te brengen met duurzaamheid en de omliggende infrastructuur te verbeteren.