Adatcentrikus AI: Miért a minőség a siker kulcsa?

A sárral hajtott Ferrari esete

Képzelje el, hogy egy Michelin-csillagos séfnek romlott húst és fonnyadt zöldségeket adnak, majd elvárják tőle, hogy élete főművét tálalja. Vagy képzeljen el egy vadonatúj Ferrarit, aminek a tankjába gázolaj helyett fáradt olajat és homokot töltenek. Ugye, milyen abszurd? Mégis, a szoftverfejlesztők és adattudósok többsége pontosan ezt teszi nap mint nap, amikor a legmodernebb neurális hálózatokat (az emberi agy működését modellező matematikai algoritmusok) próbálják gyatra minőségű, zajos adatokkal tanítani.

Az elmúlt évtizedben az AI-világ a modellekre koncentrált. Versenyeztünk, kinek nagyobb a paraméterszáma, ki ír bonyolultabb kódot. De van egy nagy baj: hiába építünk egyre hatalmasabb katedrálisokat, ha az alapok homokból vannak. Az adatcentrikus AI fejlesztés (Data-Centric AI) pontosan ezt a szemléletet fordítja meg. Nem a kódot akarja végtelenül csiszolgatni, hanem magát az üzemanyagot: az adatot.

Miért bukik el a projektek 80%-a?

A statisztikák siralmasak. A legtöbb vállalati mesterséges intelligencia projekt soha nem jut el az éles üzemig. Miért? Mert a fejlesztők beleesnek a kód-centrikus megközelítés csapdájába. Heteket töltenek a hiperparaméterek (a modell viselkedését szabályozó, előre beállított értékek) finomhangolásával, miközben az adathalmazuk tele van duplikációkkal, hibás címkékkel és irreleváns információkkal.

Andrew Ng, az AI világának egyik legismertebb alakja, egy kísérletben megmutatta: egy acélipari hibaérzékelő rendszernél a kód javítgatása 0% javulást hozott, míg az adatok módszeres tisztítása és javítása 16,9%-os pontosságnövekedést eredményezett. Ez a különbség a profit és a veszteség között. Nem ironikus? Ott keressük a megoldást, ahol a legbonyolultabb, ahelyett, hogy ott keresnénk, ahol a leghatékonyabb.

Valójában az adatcentrikus megközelítés lényege, hogy az adatokat szisztematikusan és programozottan javítjuk. Ha a modell hibázik egy bizonyos típusú képen, nem az algoritmust írjuk át, hanem megkeressük azokat a képeket a tanítóhalmazban (a modell tanításához használt adatgyűjtemény), amelyek félrevezetik a gépet, és kijavítjuk őket.

A zaj ára: Amikor a Big Data a legnagyobb ellenségünk

Hosszú ideig abban a hitben éltünk, hogy a több adat mindig jobb. Ez a "Big Data" mítosza. De a valóságban a túl sok, rossz minőségű adat csak zajt (felesleges vagy hibás információ az adathalmazban) generál. Ha ezer rosszul felcímkézett képünk van, a modellünk csak magabiztosabban fog tévedni.

Gondoljunk bele: ha egy önvezető autó szoftverének 10 000 óranyi videót adunk a napsütéses Kaliforniáról, de egyetlen percet sem a ködös, esős Budapestről, vajon hogyan fog teljesíteni a Lánchídon novemberben? Hiába a hatalmas adatmennyiség, a minőség és a relevancia hiányzik. Az adatcentrikus AI fejlesztés során nem a mennyiséget hajhásszuk, hanem a variabilitást és a tisztaságot.

Ezt a szemléletet alkalmazzuk akkor is, amikor vizuális tartalmakat készítünk. Például a media.isi.studio felületén az AI kép- és videógenerálás során a háttérben futó modellek azért képesek lenyűgöző eredményekre, mert az őket tanító adatok extrém szűrésen és kuráción mentek keresztül. Ha tiszta a bemenet, művészi a kimenet.

Hogyan váltsunk szemléletet a gyakorlatban?

Az átállás nem igényel millió dolláros beruházást, csak fegyelmet és egy újfajta munkafolyamatot, amit gyakran MLOps-nak (Machine Learning Operations — a gépi tanulási modellek életciklus-kezelése) nevezünk. Íme a lépések:

1. Hibaelemzés mindenek felett: Ne csak a pontossági százalékot nézzük! Nézzük meg konkrétan, melyik mintákat rontja el a gép. Van bennük közös minta?
2. Címke-konzisztencia: Ha három ember háromféleképpen címkéz fel egy adatot, a gép megbolondul. Hozzunk létre szigorú szabályokat a címkézéshez (labeling).
3. Adataugmentáció (Data Augmentation): Ez az a folyamat, amikor mesterségesen hozunk létre új adatokat meglévőkből (például képek elforgatása, zaj hozzáadása), hogy növeljük a modell ellenálló képességét.
4. Szintetikus adatok használata: Néha a valóság nem ad elég példát. Ilyenkor generálhatunk adatokat. A media.isi.studio által kínált AI technológiák pontosan ebben segíthetnek: ha nincs elég képünk egy specifikus helyzetről, létrehozhatunk fotorealisztikus szintetikus variációkat a modell tanításához.

Vajon hány fejlesztő meri bevallani, hogy a hetekig tartó kódolás helyett elég lett volna egy délutáni nagytakarítás az adatbázisban? A szakmai büszkeség néha a hatékonyság útjában áll. De a piac kegyetlen: az győz, akinek a modellje a való világban is működik, nem csak a laboratóriumban.

A contrarian nézőpont: Az AI-t nem tanítani, hanem nevelni kell

Itt egy gondolat, ami szembe megy a hagyományos mérnöki szemlélettel: a mesterséges intelligencia fejlesztése ma már közelebb áll a pedagógiához, mint a klasszikus programozáshoz. Régebben megmondtuk a gépnek: "ha ezt látod, csináld azt". Ma azt mondjuk: "itt van 100 000 példa, találd ki magadnak".

Ebben a felállásban a programozó már nem építész, hanem tanító. És egy jó tanító nem csak elé önti a könyveket a gyereknek, hanem válogatott, érthető és pontos tananyagot ad. Ha a tananyag (az adat) hibás, a diák (az AI) is az lesz. Ezért mondom azt, hogy az adatcentrikus AI valójában az empátia és a figyelem diadala a nyers számítási kapacitás felett.

Mennyibe kerül ez nekünk?

Sokan tartanak attól, hogy az adatok kézi tisztítása lassú és drága. Valójában a rossz modell javítása, az ügyfélpanaszok kezelése és a piaci kudarc sokkal drágább. Az adatcentrikus fejlesztés során használt aktív tanulás (Active Learning — amikor a modell maga jelöli ki, mely adatok felcímkézése lenne számára a leghasznosabb) drasztikusan csökkenti a szükséges munkaórák számát. Kevesebb, de jobb adat = gyorsabb tanítás és kisebb infrastruktúra-költség.

A jövő: Generatív AI és az adat-visszacsatolás

A jövőben a modellek már képesek lesznek saját magukat tanítani. Olyan rendszerek jönnek létre, ahol egy AI figyeli a másik AI-t, és jelzi, ha az adatok minősége romlik. Ezt nevezzük adatfigyelésnek (Data Monitoring).

Ha Ön is szeretné kihasználni a modern AI előnyeit anélkül, hogy elveszne az algoritmusok sűrűjében, érdemes olyan platformokat használnia, amelyek a minőséget helyezik előtérbe. A media.isi.studio segítségével a kreatív szakemberek anélkül férhetnek hozzá csúcsminőségű vizuális generatív eszközökhöz, hogy adattudósi diplomára lenne szükségük. Ott a nehezét — az adatcentrikus optimalizálást — már elvégezték Ön helyett.

Zárásként gondolkozzon el ezen: Ön a kódjait csiszolgatja, vagy az alapanyagot, amiből a jövőt építi? Ne féljen visszalépni egyet az algoritmusoktól, és belenézni az adatok "lelkébe". Meg fog lepődni, mit talál ott.

Szójegyzék

Adataugmentáció

Meglévő adatok módosítása (pl. torzítás, nagyítás), hogy több tanítóanyagot kapjunk.

Aktív tanulás

Gépi tanulási módszer, ahol az algoritmus kiválasztja a számára leginformatívabb adatokat további címkézésre.

Címkézés (Labeling)

Az adatok megjelölése (pl. egy képen bekeretezni az autót), hogy a gép tudja, mit lát.

Hiperparaméter

A gépi tanulási modell azon beállításai, amelyeket a tanítás előtt fixálunk, és nem a tanítás során tanul meg a gép.

MLOps

A gépi tanulás és a szoftverüzemeltetés keresztezése, a modellek hatékony fejlesztését és karbantartását célzó gyakorlat.

Neurális hálózat

Az emberi agy idegsejtjeinek működését utánzó szoftveres struktúra.

Szintetikus adat

Mesterségesen generált adathalmaz, amely a valós adatok tulajdonságait hordozza, de nem valódi mérésből származik.

Tanítóhalmaz

Az adatoknak az a része, amelyet a modell a tanulási folyamat során közvetlenül felhasznál.

Zaj (Noise)

Az adatokban lévő véletlenszerű hiba vagy irreleváns információ, ami nehezíti a mintafelismerést.