Trainingsdaten dienen dem maschinellen Lernen. Das Modell sieht Beispiele und lernt den Zusammenhang zwischen Eingaben und Ausgaben. Bei einem Spamfilter sind die Trainingsdaten E-Mails, die als Spam oder Nicht-Spam gekennzeichnet sind. Bei einem Bildklassifikator sind es Fotos mit Inhaltsangaben. Bei einem Sprachmodell sind es große Textmengen. Das Modell passt seine internen Parameter an, um die Abweichung zwischen seinen Vorhersagen und den korrekten Kennzeichnungen zu minimieren. Qualität und Quantität der Trainingsdaten bestimmen die Leistungsfähigkeit des Modells.

Trainingsdaten müssen verschiedene Anforderungen erfüllen. Sie müssen repräsentativ für die realen Daten sein, mit denen das Modell arbeiten wird. Ein Modell, das nur mit Tageslichtfotos trainiert wurde, versagt bei Nachtaufnahmen. Die Daten müssen korrekt beschriftet sein. Falsch beschriftete Beispiele vermitteln dem Modell falsche Muster. Die Datenmenge muss groß genug sein, um die Varianz der Daten abzubilden. Zu wenige Daten führen zu Überanpassung, wodurch das Modell die Trainingsbeispiele auswendig lernt, anstatt allgemeine Muster zu erfassen. Die Daten dürfen keine Verzerrungen enthalten, da das Modell diese sonst erlernt und verstärkt. Trainingsdaten sind auch datenschutzrechtlich relevant. Modelle, die mit personenbezogenen Daten trainiert wurden, können diese auswendig lernen und reproduzieren. Regulatorische Rahmenbedingungen fordern zunehmend die Dokumentation der Quellen und der Verarbeitung von Trainingsdaten. Die Daten sind nicht nur eine Eingabe, sondern auch ein Risiko und ein Vorteil. Die Qualität des Modells hängt von den Daten ab, mit denen es trainiert wurde.

Anforderungen an Trainingsdaten

• Repräsentativ — spiegelt die Variationen in der realen Welt wider
• Beschriftet – genaue Bodenwahrheit
• Groß – genügend Beispiele, um zu verallgemeinern
• Unvoreingenommen – keine systematische Verzerrung
• Dokumentiert – Herkunft und Verarbeitung bekannt

Die Trainingsdaten sind der Lehrmeister. Das Modell lernt, was die Daten zeigen. Schlechte Daten führen zu falschen Schlussfolgerungen.