Training, binnen het domein van kunstmatige intelligentie (AI), verwijst naar het proces waarbij een machine learning-model op basis van data leert om een specifieke taak uit te voeren, zoals beeldclassificatie of tekstgeneratie. Tijdens dit proces worden de interne parameters (gewichten) van het model aangepast om het verschil tussen de voorspellingen en de verwachte uitkomsten te minimaliseren. Training onderscheidt zich van inferentie, waarbij een reeds getraind model voorspellingen maakt op nieuwe data. Het proces vereist doorgaans grote datasets, optimalisatie-algoritmen (zoals gradient descent) en verliesfuncties die het leerproces sturen.
Toepassingen en praktijkvoorbeelden
Training is essentieel voor het ontwikkelen van modellen voor beeldherkenning, natuurlijke taalverwerking, aanbevelingssystemen en anomaliedetectie. Zo kan een model getraind op een grote verzameling teksten automatische vertalingen of chatbot-antwoorden genereren. In de industrie wordt modeltraining gebruikt voor voorspellend onderhoud of logistieke optimalisatie.
Belangrijkste software, bibliotheken en frameworks
Veelgebruikte tools voor training zijn TensorFlow, PyTorch, scikit-learn, Keras, XGBoost en LightGBM. Deze frameworks bieden interfaces voor het ontwerpen, trainen en evalueren van machine learning- en deep learning-modellen, vaak met hardwareversnelling (GPU, TPU).
Recente ontwikkelingen en trends
Gedistrubeerde training, transfer learning en zelfgecontroleerd leren zijn sterk in opkomst, waarmee rekenkosten dalen en efficiëntie toeneemt. Ook de optimalisatie van training op grootschalige parallelle architecturen en het gebruik van synthetische data zijn belangrijke trends. De opkomst van zeer grote modellen (LLM's, vision Transformers) vraagt om steeds geavanceerdere en efficiëntere trainingsstrategieën.