Beter talenonderwijs voor AI bij schaarse trainingsdata
Apple-onderzoekers presenteren een methode om kennis effectief over te dragen naar talen met weinig beschikbare data. Via lexicale ingrepen kunnen taalmodellen toch complexe redeneertaken uitvoeren in ondervertegenwoordigde talen zonder zware vertaalsystemen.
Onderzoekers van Apple hebben een techniek ontwikkeld om de prestaties van kunstmatige intelligentie te verbeteren bij talen waarvoor slechts beperkte trainingsgegevens beschikbaar zijn. Door middel van gerichte lexicale aanpassingen in het model kunnen complexe redeneertaken worden uitgevoerd in deze minder bedeelde talen, zonder dat daar omvangrijke externe vertaalprogramma's voor nodig zijn.
De uitdaging van datatekort in meertalige modellen
Grote taalmodellen worden doorgaans getraind op enorme hoeveelheden tekst, maar de hoeveelheid beschikbare data verschilt sterk per taal. Veel gesproken talen hebben een achterstand doordat er simpelweg minder digitale bronnen voorhanden zijn, wat leidt tot minder nauwkeurige resultaten bij geavanceerde taken. De nieuwe benadering probeert dit gat te dichten door efficiënter om te gaan met de schaarse informatie die er wel is.
Deze ontwikkeling past in een bredere trend binnen de kunstmatige intelligentie waarin de focus verschuift van puur meer data toevoegen naar het slimmer gebruiken van bestaande middelen. Naarmate AI breder wordt ingezet, groeit de noodzaak om modellen rechtstreeks toegankelijk te maken voor een grotere verscheidenheid aan talen, in plaats van te leunen op tussenstappen via grote wereldtalen.
Deze samenvatting is gebaseerd op een origineel artikel van Apple Machine Learning. Lees het volledige, originele bericht bij de bron.
Lees het originele artikel