Waarom is dit belangrijk?
Door modeltraining kunnen systemen uiteenlopende taken uitvoeren die per geval verschillen en meebewegen met nieuwe situaties in de dagelijkse praktijk. Bij de overheid hangt betrouwbare geautomatiseerde besluitvorming af van relevante, representatieve en zo volledig mogelijke trainingsdata. Burgers en werknemers merken de gevolgen wanneer zo'n systeem een besluit ondersteunt, want laagkwalitatieve of bevooroordeelde data kunnen tot onbetrouwbare en oneerlijke uitkomsten leiden.
Zo werkt het in de praktijk
In het Azure Architecture Center van Microsoft past modeltraining in systemen voor klassiek machinaal leren. Die systemen voorspellen in de tijd en delen gegevens in categorieën in. Voor taal herkennen ze namen in tekst en vatten ze teksten samen.
In machine learning onderzoeken teams of een model nieuwe data goed voorspelt. Het model leert op een trainingsset, en een validatieset helpt keuzes af te stellen. Een testset meet daarna de prestatie op nieuwe voorbeelden.
CRISP-DM (een open standaard voor data-analyse) deelt het proces in zes fasen, waaronder Modeling. De volgorde ligt niet vast: teams gaan vaak heen en weer tussen fasen. MLOps (een werkwijze om modellen betrouwbaar in gebruik te nemen en te onderhouden) koppelt training aan testen en opnieuw trainen.




