Waarom is dit belangrijk?
Zonder passende voorbeelden kunnen leersystemen geen terugkerende patronen vinden in grote aantallen dossiers, metingen of eerdere besluiten. In ziekenhuizen bepaalt de samenstelling van de trainingsdata of een hulpmiddel huidafwijkingen bij patiënten met verschillende huidskleuren even goed herkent. Voor leerlingen en werknemers geeft dat op school en op het werk hulp bij taken, maar ontbrekende groepen krijgen minder goede of ongelijke uitkomsten.
Zo werkt het in de praktijk
TNO bouwt GPT-NL samen met SURF en het NFI. De trainingsdata komen uit openbare teksten van de Tweede Kamer, de Rechtspraak en het Zeeuws Archief. In de industrie gebruiken teams trainingsdata om knelpunten in de doorstroming van een productiesysteem te vinden.
Onderzoekers van Chalmers University of Technology volgden zes jaar projecten in productiebedrijven. Zij keken hoe teams data verzamelen en daaruit een definitieve dataset bouwen. Data-engineering, het klaarzetten van die gegevens, krijgt daarbij vaak weinig aandacht.
Het Algoritmekader volgt de AI-verordening voor trainingsdata van systemen met een hoog risico. Die datasets moeten relevant, representatief en zo volledig mogelijk zijn, en teams controleren op een scheef beeld. CRISP-DM, een stappenplan voor dataprojecten, plaatst dat werk in de fase datavoorbereiding.




