Invatare Atomica

Datele din spatele inteligentei artificiale: invatare automata si partinire

Progres lectie:
0%
🎯

Obiectivul lectiei

Vei intelege ce inseamna ca un program "invata din exemple" si vei vedea de unde vine, de fapt, comportamentul lui: din date. Vei invata cum se aduna si se eticheteaza datele intr-un formular Google, de ce datele vechi dau raspunsuri gresite, cum ajunge o inclinare a datelor (partinire, bias) direct in rezultat si cum deosebesti un fapt verificabil de unul prezentat denaturat sau pur si simplu inventat.

Dupa aceasta lectie vei putea:

  • Sa deosebesti un program cu reguli fixe de un model care invata din exemple, dand cate un exemplu din activitatea scolii de arte
  • Sa aduni date cu un formular Google Forms si sa le aduci intr-o foaie de calcul legata la formular
  • Sa scrii un vocabular de etichete si sa etichetezi un lot de exemple dupa aceleasi reguli
  • Sa explici de ce un model antrenat pe date vechi raspunde gresit despre lucruri noi
  • Sa identifici intr-un set de date descris cel putin doua forme de partinire si sa propui o masura pentru fiecare
  • Sa verifici o afirmatie primita de la un instrument IA, cautand sursa primara inainte de a o folosi intr-un referat

Incearca singur!

Provocare:

Ai 60 de fotografii facute la serbarea scolii si vrei un program care sa spuna singur, pentru fiecare poza, daca in ea apare o vioara sau o chitara. Nu ai voie sa scrii tu regula "vioara inseamna...". Ce ar trebui sa pregatesti, ca sa poata programul sa invete singur? Si ce s-ar putea strica daca toate cele 60 de fotografii sunt facute la acelasi concert, in aceeasi sala, cu aceeasi lumina? Scrie mai jos.

💡 Ai nevoie de un indiciu?

Programul nu vede "vioara" — vede pixeli. Ca sa lege pixelii de un raspuns, are nevoie de multe fotografii in dreptul carora un om a scris deja raspunsul corect.

Gandeste-te apoi la ce nu a vazut niciodata: o vioara pe scena intunecata, o chitara tinuta de un stangaci, o poza facuta de aproape. Ce va face programul cand ii dai asa ceva?

1

1. Reguli scrise de om sau invatate din exemple

Doua sarcini la secretariatul scolii de arte

Sarcina A — sortarea afiselor de concert. Fisierele se numesc 2027-03-12_recital_pian.jpg. Un program le poate aseza singur in foldere pe ani si pe sectii, dupa o regula pe care o scrie omul: daca numele incepe cu 2027, muta in folderul Stagiunea_2027; daca numele contine "pian", muta in subfolderul Muzica. Regula are cateva randuri si functioneaza mereu la fel.

Sarcina B — recunoasterea instrumentului din fotografie. Incearca sa scrii regula: daca in imagine apare o vioara, atunci... Ce e o vioara, pentru un program care vede doar pixeli? Nimeni nu poate scrie acea conditie. In schimb, ii poti arata cateva mii de fotografii in dreptul carora scrie deja "vioara" sau "chitara", iar programul isi ajusteaza singur valorile interne pana cand nimereste raspunsul corect de cele mai multe ori.

Invatarea automata (machine learning) este partea din inteligenta artificiala in care programul nu primeste reguli scrise de om, ci exemple. Din ele isi construieste singur un model — un set de valori numerice care leaga ceea ce primeste la intrare de raspunsul pe care il da la iesire.
Antrenarea este etapa in care modelul se ajusteaza pe exemple. Dupa antrenare, modelul se foloseste pe date noi, pe care nu le-a mai vazut.
Analogie: dresajul, nu manualul

Nu ii explici unui caine, in cuvinte, ce inseamna "sezi". Repeti situatia de sute de ori si confirmi de fiecare data cand nimereste. Antrenarea unui model seamana cu asta: nu primeste explicatia, primeste exemple si o confirmare pentru fiecare. De aceea ce exemple ii dai devine tot ce stie — un caine care a fost dresat numai in curte se poate pierde in prima sala de spectacol.

Trei lucruri pentru care se folosesc modelele antrenate

Clasificare — pune un exemplu intr-o categorie: aceasta inregistrare e "cor" sau "orchestra"; acest e-mail e sau nu spam.
Predictie — estimeaza o valoare: cate locuri se vor ocupa la spectacolul de vineri.
Generare — produce ceva nou dupa modelul a ce a vazut: un text, o imagine, o secventa sonora.

Toate trei pornesc din acelasi loc: datele de antrenare. Restul lectiei este despre ele.

2

2. De unde vin datele: surse si colectare

Cazul clasei: recomandarea unei piese de studiu

Vrei un program care sa recomande fiecarui coleg o piesa potrivita de studiu. Inainte de orice cod, intrebarea e: de unde iei datele?

Le colectezi tu — un formular pe care il completeaza colegii: instrumentul, anul de studiu, piesele lucrate anul trecut, cat de greu li s-au parut.
Exista deja in scoala — catalogul bibliotecii de partituri, programele de spectacol din ultimii cinci ani, listele de participari la concursuri.
Sunt publice si deschise — cataloage de biblioteci si de muzee care isi publica datele pentru reutilizare.
Nu ai voie sa le iei — fotografiile lucrarilor colegilor, inregistrarile de la spectacole sau partiturile protejate nu devin "date libere" pentru ca sunt pe internet. Fotografia unei lucrari are un autor, iar imaginea unei persoane are nevoie de acordul ei.

Colectarea datelor este etapa in care aduni exemplele intr-un singur loc, in acelasi format. O intrebare prost pusa aici nu se mai repara mai tarziu: daca ai adunat raspunsuri scrise haotic, nici cel mai bun program nu le poate numara corect.
Pasii in Google Workspace (Google Forms + Google Sheets)

1. Deschide forms.google.com si alege Formular necompletat.
2. Scrie prima intrebare si alege-i tipul din lista din dreapta ei: Raspuns scurt, Paragraf, Variante multiple, Casete de selectare, Lista verticala, Scala liniara si altele.
3. Pentru instrument alege Lista verticala si scrie tu variantele: vioara, pian, chitara, canto, suflatori, percutie. Asa toti raspund cu aceleasi cuvinte.
4. Apasa Trimite si copiaza legatura formularului pentru colegi.
5. Treci pe fila Raspunsuri si apasa pictograma verde a foilor de calcul: se creeaza o foaie legata la formular. Fiecare raspuns nou devine un rand, prima coloana este Marcaj temporal (momentul trimiterii), iar fiecare intrebare devine o coloana.

Unde difera in Microsoft Teams (Microsoft Forms + Excel)

In Teams poti adauga intr-un canal o fila noua cu aplicatia Forms, sau poti lucra direct in forms.office.com. Tipurile de intrebari sunt asemanatoare (Optiune, Text, Evaluare, Data), iar rezultatele se vad tot pe fila Raspunsuri.

Diferenta practica: Google iti creeaza o foaie de calcul legata, care se completeaza singura pe masura ce vin raspunsuri; Microsoft Forms iti deschide rezultatele intr-un registru Excel salvat in OneDrive. In ambele cazuri obtii acelasi lucru: un tabel cu un rand pe raspuns si o coloana pe intrebare.

3

3. Etichetarea: raspunsul corect il pune omul

300 de inregistrari de la serbari

Ai in folder 300 de fisiere audio. Programul nu stie ce e in ele. Cineva le asculta si scrie in dreptul fiecaruia, intr-o coloana din foaia de calcul: cor, pian solo, orchestra, recitare. Acel cuvant scris de om este eticheta. Fara el, fisierele sunt doar sunet: modelul nu are ce sa lege de ce.

Eticheta = raspunsul corect atasat unui exemplu. Etichetarea = munca omeneasca de a atasa aceste raspunsuri, exemplu cu exemplu. Un model invata exact ce scrie in etichete: daca eticheta e gresita, el invata greseala ca pe un adevar si o repeta.
Trei reguli care fac diferenta

Vocabular fix. Stabiliti dinainte lista de etichete si nu iesiti din ea. pian, pian solo si clape par acelasi lucru pentru voi, dar pentru program sunt trei categorii fara legatura intre ele.
Ghid scris. O propozitie pentru fiecare eticheta: "cor = trei sau mai multe voci care canta impreuna, cu sau fara acompaniament". Altfel fiecare eticheteaza dupa capul lui.
Verificare incrucisata. Doi elevi eticheteaza acelasi lot de 50 de exemple, apoi comparati. Unde nu sunteti de acord, regula e neclara — se rescrie ghidul, nu se voteaza.

Cum tii vocabularul curat in foaia de calcul

Google Sheets: selecteaza coloana eticheta, apoi meniul Date > Validarea datelor si adauga o regula cu lista de valori permise. Cine scrie altceva primeste avertisment.
Excel: aceeasi idee, in Date > Validare date, cu tipul Lista.
Numararea pe categorii (ca sa vezi cate exemple ai din fiecare): =COUNTIF(B2:B301;"cor"). Daca aplicatia ta cere virgula in loc de punct si virgula intre argumente, scrie =COUNTIF(B2:B301,"cor") — functia e aceeasi, se schimba doar separatorul.

4

4. Date proaspete, date expirate

Recomandarea care da mereu aceleasi partituri

Biblioteca scolii a antrenat in 2021 un model de recomandare, pe imprumuturile din 2018-2020. Astazi el propune elevilor tot acele titluri: partiturile intrate in fond dupa 2020 nu existau in datele lui, deci pentru el nu exista deloc. Nu e o defectiune si nu apare niciun mesaj de eroare — modelul raspunde linistit, dar dintr-o lume care s-a incheiat in 2020.

Datele au un fel de data de expirare: descriu realitatea din momentul in care au fost adunate. Un model antrenat pe date vechi raspunde despre lumea veche, cu aceeasi siguranta cu care ar raspunde despre cea de azi.
Doua lucruri care se confunda des

Colectare in timp real — formularul ramane deschis, iar fiecare raspuns nou apare in foaia de calcul in cateva secunde. Tabelul e mereu la zi.
Model actualizat — cineva ia tabelul crescut si reantreneaza modelul pe el. Abia acum raspunsurile modelului tin cont de datele noi.

Primul lucru se intampla singur; al doilea nu. Un tabel actualizat in fiecare secunda si un model care n-a mai fost antrenat din 2021 pot sta linistite unul langa altul.

Acelasi lucru la instrumentele de tip chatbot

Multe asemenea instrumente au fost antrenate pana la o anumita data. Despre ce s-a intamplat dupa ea, ele fie cauta pe loc pe internet si iti arata sursa, fie raspund din ce stiau — si atunci pot gresi fara sa dea vreun semn.

Test practic in doua miscari: intreaba-l ceva verificabil si foarte recent din domeniul tau (de exemplu programul stagiunii de anul acesta la o filarmonica) si cere-i sursa. Daca nu poate arata o pagina care sa se deschida si sa spuna acelasi lucru, raspunsul lui nu e o informatie, ci o presupunere.

5

5. Partinirea (bias): cand datele au deja o parere

Experimentul de la ora de arte vizuale

Clasa aduna 200 de fotografii gasite pe internet cu cautarea "artist la lucru". La numarare: 180 arata un barbat, intr-un atelier cu sevalet, in lumina de zi. Un model antrenat pe acest set va desena aproape mereu acelasi lucru cand ii ceri "un artist la lucru" — barbat, sevalet, atelier. Nu pentru ca "crede" ceva, ci pentru ca datele lui au inclinat intr-o parte, iar el a invatat inclinarea odata cu subiectul.

Partinirea (in engleza bias) este o inclinare sistematica a datelor spre un anumit grup, stil, loc sau epoca, care se regaseste apoi in rezultatele modelului. Sistematica inseamna ca nu e o greseala intamplatoare la un exemplu, ci o abatere care se repeta in tot setul si de aceea nu se sterge prin adaugarea catorva date.
Trei forme, cu exemple din lumea artelor

Partinire de selectie — exemplele vin dintr-un singur loc. Un set facut numai din colectii de muzee europene "nu stie" masti africane, instrumente traditionale asiatice sau ceramica populara romaneasca; puse in fata lor, modelul le clasifica gresit sau le trece la "altele".
Partinire de eticheta — cine a etichetat a folosit propriile categorii. Daca tot ce nu e muzica occidentala a fost etichetat "muzica traditionala", modelul invata o categorie uriasa si fara sens, in care intra si gamelanul, si doina, si flamenco.
Partinire de istorie — datele descriu corect un trecut inegal. Programele de concert din secolul al XIX-lea contin aproape numai compozitori barbati; un model care "prezice compozitori importanti" pe baza lor va repeta o inegalitate de acum 150 de ani ca si cum ar fi o lege a muzicii.

Ce faci, concret, ca sa nu livrezi partinirea mai departe

Numara inainte sa antrenezi. In foaia de calcul, cu =COUNTIF(...), vezi cate exemple ai din fiecare categorie, din fiecare sectie, din fiecare perioada. Un set in care o categorie are 180 si alta 3 nu e un set echilibrat.
Completeaza sursele. Cauta anume exemplele care lipsesc, in loc sa mai adaugi din ce ai deja destul.
Scrie limitele. Cand prezinti proiectul, spune deschis din ce e facut setul: "240 de afise, dintre care 210 de la muzica clasica, niciunul de la coregrafie". Un rezultat cu limitele declarate e munca serioasa; acelasi rezultat prezentat ca adevar general e o eroare.

6

6. Fapt real, fapt denaturat, fapt inventat

Trei propozitii primite pentru un referat despre stagiunea unei filarmonici

(1) "Filarmonica are o stagiune anuala cu concerte simfonice." — se poate deschide pagina institutiei si se vede.
(2) "Sala a fost plina in proportie de 95%." — cifra e reala, dar masurata la o singura reprezentatie din douasprezece. Adevarul unei masuratori a fost intins peste toata stagiunea.
(3) "Lucrarea a fost cantata in premiera in 1911, dupa cum arata volumul Istoria concertului romanesc." — anul si volumul suna perfect, dar cartea nu apare in niciun catalog de biblioteca.

Fapt real = poate fi verificat la o sursa primara (institutia, arhiva, catalogul, editia).
Fapt prezentat denaturat = pleaca de la ceva adevarat, dar scos din context: o cifra dintr-un singur caz data ca regula, un procent fara numitor, un citat taiat la jumatate.
Fapt inventat = arata ca un fapt, dar nu are sursa. Modelele generative sunt facute sa produca text plauzibil, nu text adevarat: pot compune un titlu de carte, un an sau un nume de autor care nu au existat niciodata.
Cele trei intrebari, in ordine

Cine spune? Institutia care organizeaza, autorul editiei, arhiva — sau un text fara autor.
Unde e sursa primara? Deschide-o efectiv. O legatura care nu se deschide, sau care se deschide si spune altceva, nu e sursa.
Confirma cineva independent? Doua pagini care se copiaza una pe alta nu inseamna doua confirmari.

Pentru numere, mai adauga una: din cat? "95%" fara "din cate reprezentatii" nu e informatie.

La imagini si inregistrari

O fotografie poate fi generata sau doar mutata din alt context (o poza reala de la un festival din alta tara, data drept concertul de la voi). Cauta originalul: cine a publicat-o prima data si cand. Semnele vizuale — maini ciudate, litere stalcite pe un afis din imagine, umbre care nu se potrivesc — sunt doar motive de suspiciune, nu dovezi: nici prezenta lor nu demonstreaza ca imaginea e generata, nici lipsa lor nu demonstreaza ca e reala. Singura dovada ramane sursa.

Regula de lucru pentru referate: ce ai primit de la un instrument IA se trece in lucrare numai dupa ce ai gasit sursa reala — si atunci citezi sursa, nu instrumentul.

Exercitii practice

Exercitiul 1 (Nivel minim) — Reguli fixe sau invatare din exemple?

Pentru fiecare sarcina de mai jos scrie R (se rezolva cu reguli scrise de om) sau I (cere un model care invata din exemple) si o justificare de un rand: (a) redenumirea automata a tuturor fotografiilor dintr-un folder, adaugand anul in fata numelui; (b) recunoasterea instrumentului dintr-o fotografie de la serbare; (c) calcularea mediei notelor de la proba practica; (d) estimarea numarului de locuri care se vor ocupa la spectacolul de vineri; (e) mutarea in alt folder a fisierelor mai mari de 10 MB; (f) recunoasterea scrisului de mana de pe o partitura scanata.

Vezi rezolvarea

Criteriul din atomul 1: daca omul poate scrie conditia in cuvinte exacte, e regula fixa; daca nimeni nu poate scrie conditia, dar exista multe exemple cu raspunsul corect notat, e invatare automata.

  1. (a) R — conditia se scrie exact: ia numele fisierului si pune anul in fata.
  2. (b) I — nimeni nu poate scrie in cuvinte ce inseamna "vioara" in pixeli; e nevoie de fotografii etichetate. Sarcina de tip clasificare.
  3. (c) R — media este o formula, nu se invata din exemple.
  4. (d) I — se estimeaza o valoare pornind de la spectacolele trecute. Sarcina de tip predictie.
  5. (e) R — conditia "dimensiune mai mare de 10 MB" e clara si se verifica direct.
  6. (f) I — scrisul de mana difera de la om la om; modelul se antreneaza pe imagini in dreptul carora s-a notat ce scrie acolo.

Observatie utila: (b), (d) si (f) au ceva in comun — la toate trei, munca grea nu e programul, ci adunarea exemplelor si notarea raspunsului corect in dreptul fiecaruia.

Exercitiul 2 (Nivel standard) — Aduni si etichetezi datele clasei

Clasa vrea sa afle ce instrumente se studiaza si cate ore se exerseaza saptamanal, ca sa poata mai tarziu antrena un model de recomandare. (1) Creeaza in Google Forms un formular cu trei intrebari (instrument, ani de studiu, ore de exercitiu pe saptamana) si alege pentru fiecare tipul potrivit de intrebare, motivand alegerea. (2) Leaga formularul la o foaie de calcul si spune ce contine prima coloana. (3) Scrie vocabularul de etichete pentru coloana "instrument" si o propozitie de ghid pentru doua dintre ele. (4) Spune ce se schimba daca lucrezi in Microsoft Teams in loc de Google Workspace.

Vezi rezolvarea

(1) Intrebarile si tipurile, dupa regula din atomul 2 (vocabular impus acolo unde vrei sa numeri pe categorii):

  1. "Ce instrument studiezi?" — Lista verticala, cu variantele scrise de tine: vioara, pian, chitara, canto, suflatori, percutie. Cu Raspuns scurt ai primi vioara, Vioara, vioara 1 si vioara a doua, adica patru categorii in loc de una.
  2. "De cati ani studiezi acest instrument?" — Raspuns scurt cu un numar, sau Lista verticala cu intervale (sub 1 an, 1-3 ani, peste 3 ani), daca vrei categorii gata facute.
  3. "Cate ore exersezi intr-o saptamana obisnuita?" — Scala liniara sau Lista verticala cu intervale (sub 3, 3-6, 7-10, peste 10). Tot pentru a putea numara.

(2) Legarea la foaie: fila Raspunsuri > pictograma verde a foilor de calcul. Fiecare raspuns devine un rand, fiecare intrebare o coloana, iar prima coloana este Marcaj temporal — momentul in care a fost trimis raspunsul.

(3) Vocabularul de etichete pentru coloana instrument: vioara, pian, chitara, canto, suflatori, percutie — si nimic in afara listei. Ghid, doua exemple: "suflatori = orice instrument la care sunetul se produce prin suflul interpretului (flaut, clarinet, trompeta)"; "canto = studiul vocii ca instrument principal, chiar daca elevul canta si la pian la ora de instrument obligatoriu". Vocabularul se impune in foaie cu Date > Validarea datelor, iar numararea pe categorii se face cu =COUNTIF(B2:B31;"pian").

(4) In Microsoft Teams: adaugi in canal o fila cu aplicatia Forms (sau lucrezi in forms.office.com), pui aceleasi intrebari cu tipurile echivalente (Optiune in loc de Lista verticala, Text in loc de Raspuns scurt), iar rezultatele le deschizi din fila Raspunsuri intr-un registru Excel salvat in OneDrive, in loc de o foaie Google legata. Validarea listei se face in Excel din Date > Validare date. Structura obtinuta e aceeasi: un rand pe raspuns, o coloana pe intrebare.

Exercitiul 3 (Nivel performanta) — Auditul unui set de date si al unei afirmatii

Un grup de elevi a strans un set de afise de spectacol pentru a antrena un model care sa genereze "un afis in stilul scolii noastre". Setul: 240 de afise din perioada 2015-2026, dintre care 210 de la sectia muzica clasica, 30 de la jazz, 0 de la coregrafie si 0 de la arta actorului; toate au fost etichetate de un singur elev, dupa propriile categorii; ultimul afis adaugat este din 2022. (a) Identifica cel putin trei forme de partinire si spune, pentru fiecare, ce anume va gresi modelul. (b) Propune cate o masura concreta pentru fiecare. (c) In prezentarea proiectului, un coleg a scris propozitia "Afisele de jazz atrag cu 40% mai mult public decat cele de muzica clasica", primita de la un chatbot. Spune ce fel de afirmatie este si ce ai face inainte de a o pastra in prezentare.

Vezi rezolvarea

(a) Formele de partinire, dupa atomul 5:

  1. De selectie: 210 din 240 de afise vin de la o singura sectie, iar coregrafia si arta actorului lipsesc complet. Modelul va produce practic numai afise de concert de muzica clasica; cerut sa faca un afis de spectacol de dans, va da tot ceva cu instrumente si nume de compozitori, pentru ca nu a vazut niciodata altceva.
  2. De eticheta: a etichetat un singur elev, dupa categoriile lui, si nimeni nu a verificat. Categoriile pot fi neclare sau amestecate ("recital" pus si peste concerte, si peste spectacole), iar modelul invata acea confuzie ca fiind regula.
  3. De istorie / date expirate: ultimul afis e din 2022 (atomul 4). Modelul reproduce felul in care aratau afisele scolii pana in 2022; daca intre timp s-a schimbat identitatea vizuala, rezultatele vor parea vechi, fara ca vreun mesaj de eroare sa te avertizeze.

(b) Masurile:

  1. Completarea anume a ce lipseste: se cauta si se adauga afise de coregrafie si de arta actorului, pana cand cele patru sectii au numere comparabile. Numararea se face in foaie cu =COUNTIF(...) pe coloana sectiei, nu din ochi.
  2. Etichetare de catre doi elevi pe acelasi lot de proba, cu un ghid scris de o propozitie pentru fiecare categorie; unde nu sunt de acord, se rescrie ghidul si se reface lotul.
  3. Adaugarea afiselor din 2023 pana azi si, dupa fiecare completare importanta a setului, reantrenarea modelului — datele noi in tabel nu schimba singure modelul.

In plus, la prezentare se scriu deschis limitele setului: perioada acoperita si cate afise sunt din fiecare sectie.

(c) Afirmatia cu cei 40% este, in forma primita, un fapt fara sursa — poate fi inventat, sau poate fi un numar real scos din context (atomul 6). Ii lipseste tot ce o face verificabila: cine a masurat, cand, la cate spectacole si cum s-a masurat "publicul atras" (bilete vandute? locuri ocupate? reactii pe internet?). Inainte de a o pastra: caut sursa primara — rapoartele de sala sau evidenta biletelor de la institutia respectiva — si intreb "din cat?". Daca gasesc sursa, citez sursa, nu chatbotul. Daca nu o gasesc, propozitia iese din prezentare; se poate inlocui cu ce chiar am masurat noi, spus exact: de exemplu numarul de locuri ocupate la spectacolele scolii din acest an, cu perioada mentionata.

Ce ai invatat astazi

  • Un program cu reguli fixe primeste conditiile scrise de om; un model de invatare automata isi extrage singur regulile din exemple etichetate
  • Modelele antrenate fac trei lucruri: clasifica, prezic sau genereaza — si toate trei pornesc din datele de antrenare
  • Datele vin din colectare proprie (formular), din arhive existente sau din surse publice; ce e pe internet nu e automat liber de folosit
  • In Google Forms, fila Raspunsuri leaga o foaie de calcul care se completeaza singura; in Microsoft Forms rezultatele se deschid intr-un registru Excel
  • Eticheta e raspunsul corect pus de om; fara vocabular fix, ghid scris si verificare incrucisata, modelul invata confuzia noastra
  • Colectarea in timp real nu inseamna model actualizat: modelul ramane pe datele de la ultima antrenare
  • Partinirea (bias) e o inclinare sistematica a datelor — de selectie, de eticheta sau de istorie — care ajunge in rezultate si se indreapta la nivelul datelor
  • Un fapt e real doar daca are sursa primara; altfel e denaturat (scos din context) sau inventat, oricat de sigur ar suna

Vrei mai mult?

Fa experimentul de partinire pe cont propriu, in zece minute: cauta pe internet expresia "artist la lucru" si numara, in primele 40 de rezultate cu imagini, cate arata un barbat, cate o femeie, cate un atelier de pictura si cate cu totul altceva (dans, teatru, muzica). Scrie cifrele intr-o foaie de calcul. Acesta este, in mic, exact setul de date din care ar invata un model — iar rezultatele lui vor semana cu numaratoarea ta.

Intreaba-te: daca ai vrea sa corectezi setul, cate imagini noi ar trebui adaugate si de unde anume? E de ajuns sa adaugi, sau ar trebui si sa scoti din ce ai deja? Ce se pierde, ca informatie despre lume, daca fortezi un set perfect echilibrat?

In lumea reala: cea mai scumpa parte dintr-un proiect de inteligenta artificiala nu e programul, ci datele — adunarea lor, etichetarea si pastrarea lor la zi. Echipe intregi lucreaza doar la ghidul de etichetare si la verificarea intre etichetatori, pentru ca aici se decide daca modelul iese folositor sau doar convingator.

Urmatoarea lectie

Continua cu Modele generative (LLM): cum le adresezi si cum le verifici — cum formulezi cererile catre un instrument care genereaza text si cum verifici ce iti raspunde, pornind exact de la ce ai invatat astazi despre date si despre fapte fara sursa.

Continua →