Imagine trying to learn something new using thousands of incorrect or confusing examples. Would having even more examples make you any better? AI faces a similar challenge. The data used to train it influences what it learns, how accurately it performs and whether its results are fair and reliable. Discover why the quality of training data matters, how poor data can lead to mistakes and why finding the right balance between quality and quantity is so important.
BEFORE YOU READ...
Would you rather learn from 100 excellent examples or 10,000 unreliable ones?
Imagine teaching an AI to recognise different animals. What would happen if some photos were incorrectly labelled, others were blurry and most showed the same animal? Would adding more pictures solve the problem?
Explore Different Perspectives
Discover eight perspectives on what makes training data useful, from real-world examples of poor-quality information to the importance of variety, accuracy and finding the right balance between quality and quantity.
Alvaro Lozano — Why well-organised data matters more than simply collecting more
The language models we use work as statistical models. We feed them with “examples” and they try to guess the “logic” behind them (formulas, patterns). So to be as accurate as possible, it is said that quality is more important than volume. Quality is not just about feeding it with articles from the best journalist or writer, one of the priorities is also tagging and structured/consistent data. For example, if we want to train it with information about music albums from different artists, the best way should be to build an Excel document, where we have the same fields for everyone (year, gender, artist) and avoid repeating information, so the model can also group/filter them and be more accurate. If training it with raw text/articles, a consistent language style should be used. Volume, after meeting the quality requirement, is also what makes a model “powerful”, but also complex, which translates in more resources (storage, processing units) to run it. For that reason, today, people create fine-tuning models, which is a technique to reduce their volume by removing useless data from it, and some open-source models (such as deepseek) can be optimized to run on any device.
Alvaro Lozano, Denmark, software-related entrepreneur, AI Educator
Læs på dansk (DK)
De sprogmodeller, vi bruger, fungerer som statistiske modeller. Vi fodrer dem med “eksempler”, og de forsøger at udlede “logikken” bag dem (formler, mønstre). For at opnå størst mulig præcision siger man derfor, at kvalitet er vigtigere end mængde. Kvalitet handler ikke kun om at fodre modellen med artikler fra de bedste journalister eller forfattere. En af prioriteterne er også mærkning af data og strukturerede og konsistente data. Hvis vi for eksempel vil træne en model med oplysninger om musikalbum fra forskellige kunstnere, vil den bedste fremgangsmåde være at oprette et Excel-dokument, hvor vi bruger de samme felter for alle (år, genre, kunstner) og undgår at gentage oplysninger. På den måde kan modellen også gruppere og filtrere oplysningerne og blive mere præcis. Hvis modellen trænes med rå tekst eller artikler, bør man bruge en konsekvent sproglig stil. Når kvalitetskravet er opfyldt, er datamængden også med til at gøre en model “kraftfuld”, men samtidig mere kompleks, hvilket betyder, at der kræves flere ressourcer (lagerplads og processorkraft) for at køre den. Derfor arbejder man i dag med fine-tuning af modeller, som er en teknik til at reducere deres omfang ved at fjerne unødvendige data, og nogle open source-modeller (såsom DeepSeek) kan optimeres til at køre på enhver enhed.Alvaro Lozano, Danmark, iværksætter inden for software, AI-underviser
Auf Deutsch lesen (DE)
Die Sprachmodelle, die wir verwenden, funktionieren als statistische Modelle. Wir füttern sie mit „Beispielen“, und sie versuchen, die dahinterliegende „Logik“ (Formeln, Muster) zu erkennen. Um möglichst präzise Ergebnisse zu erzielen, heißt es daher, dass Qualität wichtiger ist als Datenmenge. Qualität bedeutet nicht nur, das Modell mit Artikeln der besten Journalisten oder Schriftsteller zu trainieren. Zu den Prioritäten gehören auch die Kennzeichnung von Daten sowie strukturierte und konsistente Daten. Wenn wir beispielsweise ein Modell mit Informationen über Musikalben verschiedener Künstler trainieren möchten, wäre es am besten, eine Excel-Datei zu erstellen, in der für alle dieselben Felder (Jahr, Genre, Künstler) verwendet und doppelte Informationen vermieden werden. So kann das Modell die Daten auch gruppieren und filtern und präzisere Ergebnisse liefern. Wenn es mit unstrukturierten Texten oder Artikeln trainiert wird, sollte ein einheitlicher Sprachstil verwendet werden. Sobald die Qualitätsanforderungen erfüllt sind, trägt auch die Datenmenge dazu bei, ein Modell „leistungsfähig“ zu machen. Gleichzeitig wird es dadurch komplexer und benötigt mehr Ressourcen (Speicherplatz und Rechenleistung) für seinen Betrieb. Deshalb wird heute Fine-Tuning bei Modellen eingesetzt, eine Technik, mit der ihr Umfang durch das Entfernen unnötiger Daten reduziert werden soll. Einige Open-Source-Modelle (wie DeepSeek) können außerdem so optimiert werden, dass sie auf jedem Gerät laufen.Alvaro Lozano, Dänemark, Unternehmer im Softwarebereich, KI-Pädagoge
Leer en español (ES)
Los modelos de lenguaje que utilizamos funcionan como modelos estadísticos. Los alimentamos con «ejemplos» e intentan deducir la «lógica» que hay detrás de ellos (fórmulas, patrones). Por eso, para conseguir la mayor precisión posible, se dice que la calidad es más importante que la cantidad. La calidad no consiste únicamente en alimentar el modelo con artículos de los mejores periodistas o escritores. Una de las prioridades también es el etiquetado y el uso de datos estructurados y coherentes. Por ejemplo, si queremos entrenar un modelo con información sobre álbumes musicales de diferentes artistas, lo más adecuado sería crear un documento de Excel en el que utilicemos los mismos campos para todos (año, género, artista) y evitemos repetir información. De esta manera, el modelo también podrá agrupar y filtrar los datos y ser más preciso. Si lo entrenamos con textos o artículos sin estructurar, deberíamos utilizar un estilo lingüístico coherente. Una vez cumplido el requisito de calidad, la cantidad de datos también contribuye a que un modelo sea «potente», pero al mismo tiempo lo hace más complejo, lo que se traduce en una mayor necesidad de recursos (almacenamiento y capacidad de procesamiento) para ejecutarlo. Por este motivo, hoy en día se recurre al fine-tuning o ajuste fino de los modelos, una técnica destinada a reducir su tamaño eliminando datos innecesarios. Además, algunos modelos de código abierto (como DeepSeek) pueden optimizarse para funcionar en cualquier dispositivo.Alvaro Lozano, Dinamarca, emprendedor del sector del software, educador en IA
Прочетете на български (BG)
Езиковите модели, които използваме, функционират като статистически модели. Подаваме им „примери“, а те се опитват да открият „логиката“ зад тях (формули, закономерности). Затова, за да се постигне възможно най-голяма точност, се смята, че качеството е по-важно от количеството. Качеството не означава просто да обучаваме модела със статии от най-добрите журналисти или писатели. Един от приоритетите е също етикетирането и използването на структурирани и последователни данни. Например, ако искаме да обучим модел с информация за музикални албуми на различни изпълнители, най-добрият подход би бил да създадем документ в Excel, в който използваме едни и същи полета за всички (година, жанр, изпълнител) и избягваме повтарянето на информация. По този начин моделът ще може също да групира и филтрира данните и да бъде по-точен. Ако го обучаваме с неструктурирани текстове или статии, трябва да използваме последователен езиков стил. След като изискването за качество е изпълнено, количеството данни също допринася за това един модел да бъде „мощен“, но същевременно го прави по-сложен, което означава, че са необходими повече ресурси (пространство за съхранение и изчислителна мощност), за да работи. Поради тази причина днес се използва fine-tuning (фина настройка) на модели – техника за намаляване на техния обем чрез премахване на ненужни данни. Освен това някои модели с отворен код (като DeepSeek) могат да бъдат оптимизирани така, че да работят на всяко устройство.Alvaro Lozano, Дания, предприемач в софтуерния сектор, преподавател по изкуствен интелект
Eneko Garzon Uria — Quality or quantity? Why AI needs the right balance of both
It should be noted that, no matter how good the data is, thousands and thousands of examples will always be needed to train an AI, i.e., a fairly considerable volume. Even so, it all depends on what we consider quality and what quantity we are talking about. Obviously, junk data that does not correspond at all to what we want the AI to do is not going to help us.
Likewise, between having 100,000 cases of decent data that broadly cover the cases we want the AI to cover, or having 1,000 perfect cases of the highest quality, 100,000 is better, because with 1,000 you achieve practically nothing. It is necessary to find a balance between quantity and quality so that the model can generalize correctly.
In any case, good data is considered more important. This is because, as I said, AIs need examples to learn to do what we want them to do. If you want them to program well, you have to give them well-programmed code, and if you want them to draw giraffes, you have to give them giraffes and not elephants. In short, data sets the limit of what an AI can learn.
Eneko Garzon Uria, Spain, computer engineering student, AI expert
Læs på dansk (DK)
Det er vigtigt at bemærke, at uanset hvor gode dataene er, vil der altid være behov for tusindvis af eksempler for at træne en AI, altså en ganske betydelig datamængde. Alligevel afhænger det hele af, hvad vi betragter som kvalitet, og hvilke mængder vi taler om. Det er klart, at ubrugelige data, som slet ikke har noget at gøre med det, vi ønsker, at AI’en skal kunne udføre, ikke vil hjælpe os. Hvis vi tilsvarende skal vælge mellem 100.000 eksempler med rimeligt gode data, som i store træk dækker de situationer, vi ønsker, at AI’en skal håndtere, og 1.000 perfekte eksempler af højeste kvalitet, er de 100.000 bedre, fordi man praktisk talt ikke opnår noget med kun 1.000. Det er nødvendigt at finde en balance mellem mængde og kvalitet, så modellen kan generalisere korrekt. Under alle omstændigheder betragtes gode data som vigtigere. Det skyldes, som jeg nævnte, at AI-systemer har brug for eksempler for at lære at gøre det, vi ønsker. Hvis vi vil have dem til at programmere godt, skal vi give dem velskrevet kode, og hvis vi vil have dem til at tegne giraffer, skal vi give dem giraffer og ikke elefanter. Kort sagt sætter dataene grænsen for, hvad en AI kan lære.Eneko Garzon Uria, Spanien, studerende i computeringeniørvidenskab, AI-ekspert
Auf Deutsch lesen (DE)
Es sollte beachtet werden, dass unabhängig davon, wie gut die Daten sind, immer Tausende und Abertausende von Beispielen benötigt werden, um eine KI zu trainieren, also eine ziemlich beträchtliche Datenmenge. Dennoch hängt alles davon ab, was wir unter Qualität verstehen und über welche Mengen wir sprechen. Offensichtlich helfen uns unbrauchbare Daten, die überhaupt nicht zu dem passen, was die KI tun soll, nicht weiter. Wenn wir außerdem die Wahl zwischen 100.000 Beispielen mit ordentlichen Daten haben, die die Anwendungsfälle, welche die KI abdecken soll, weitgehend erfassen, und 1.000 perfekten Beispielen von höchster Qualität, sind die 100.000 besser, da man mit nur 1.000 praktisch nichts erreicht. Es ist notwendig, ein Gleichgewicht zwischen Quantität und Qualität zu finden, damit das Modell korrekt generalisieren kann. In jedem Fall gelten gute Daten als wichtiger. Das liegt daran, dass KI-Systeme, wie bereits erwähnt, Beispiele benötigen, um zu lernen, das zu tun, was wir von ihnen erwarten. Wenn sie gut programmieren sollen, müssen wir ihnen gut geschriebenen Programmcode geben. Und wenn sie Giraffen zeichnen sollen, müssen wir ihnen Giraffen zeigen und keine Elefanten. Kurz gesagt: Die Daten bestimmen die Grenzen dessen, was eine KI lernen kann.Eneko Garzon Uria, Spanien, Student der Technischen Informatik, KI-Experte
Leer en español (ES)
Hay que tener en cuenta que, por muy buenos que sean los datos, siempre se necesitarán miles y miles de ejemplos para entrenar una IA, es decir, un volumen bastante considerable. Aun así, todo depende de lo que consideremos calidad y de qué cantidad estemos hablando. Evidentemente, los datos basura que no se correspondan en absoluto con lo que queremos que haga la IA no nos van a servir de nada. Del mismo modo, si tenemos que elegir entre 100.000 ejemplos con datos aceptables que cubran ampliamente los casos que queremos que la IA sea capaz de abordar, o 1.000 ejemplos perfectos de la máxima calidad, es preferible contar con los 100.000, porque con 1.000 prácticamente no se consigue nada. Es necesario encontrar un equilibrio entre cantidad y calidad para que el modelo pueda generalizar correctamente. En cualquier caso, se considera que los buenos datos son más importantes. Esto se debe a que, como he mencionado, las IA necesitan ejemplos para aprender a hacer lo que queremos que hagan. Si queremos que programen bien, tenemos que proporcionarles código bien programado; y si queremos que dibujen jirafas, tenemos que mostrarles jirafas y no elefantes. En definitiva, los datos establecen el límite de lo que una IA puede aprender.Eneko Garzon Uria, España, estudiante de Ingeniería Informática, experto en IA
Прочетете на български (BG)
Трябва да се отбележи, че независимо колко качествени са данните, за обучението на един ИИ винаги ще бъдат необходими хиляди и хиляди примери, тоест доста значителен обем данни. Въпреки това всичко зависи от това какво разбираме под качество и за какво количество говорим. Очевидно е, че некачествените данни, които изобщо не съответстват на това, което искаме ИИ да прави, няма да ни бъдат полезни. По същия начин, ако трябва да избираме между 100 000 примера с приемливо качество, които до голяма степен обхващат случаите, с които искаме ИИ да се справя, и 1 000 съвършени примера с най-високо качество, по-добрият избор са 100 000, защото с 1 000 практически няма да постигнем нищо. Необходимо е да се намери баланс между количество и качество, за да може моделът да обобщава правилно. Във всеки случай качествените данни се смятат за по-важни. Причината е, че както вече споменах, системите с ИИ се нуждаят от примери, за да се научат да правят това, което искаме от тях. Ако искаме да програмират добре, трябва да им предоставим добре написан програмен код, а ако искаме да рисуват жирафи, трябва да им покажем жирафи, а не слонове. Накратко, данните определят границите на това, което един ИИ може да научи.Eneko Garzon Uria, Испания, студент по компютърно инженерство, експерт по изкуствен интелект
Leticia Sagredo — More data doesn't always mean better AI: The importance of quality
Because AI ultimately learns from data, the quality of that data has a direct impact on how well it performs. If the data is accurate, relevant, and well-organized, the AI is much more likely to produce useful and reliable results. However, having more data doesn’t automatically mean better outcomes. Large amounts of low-quality or biased data can actually confuse the system and lead to poor performance. What really matters is having data that is clean, meaningful, and representative of what the AI is trying to learn. In the end, it’s not just about how much data you have, but how good that data is.
Leticia Sagredo, Spain, trainer on professional retraining and the acquisition of digital skills
Læs på dansk (DK)
Da AI i sidste ende lærer af data, har kvaliteten af disse data direkte indflydelse på, hvor godt den fungerer. Hvis dataene er korrekte, relevante og velorganiserede, er der langt større sandsynlighed for, at AI’en leverer nyttige og pålidelige resultater. Men flere data betyder ikke automatisk bedre resultater. Store mængder data af lav kvalitet eller med indbyggede skævheder kan faktisk forvirre systemet og føre til dårligere præstationer. Det, der virkelig betyder noget, er at have data, som er rene, meningsfulde og repræsentative for det, AI’en forsøger at lære. I sidste ende handler det ikke kun om, hvor mange data man har, men om hvor gode de er.Leticia Sagredo, Spanien, underviser i faglig omskoling og udvikling af digitale kompetencer
Auf Deutsch lesen (DE)
Da KI letztlich aus Daten lernt, hat die Qualität dieser Daten einen direkten Einfluss darauf, wie gut sie funktioniert. Wenn die Daten korrekt, relevant und gut strukturiert sind, ist es wesentlich wahrscheinlicher, dass die KI nützliche und zuverlässige Ergebnisse liefert. Mehr Daten bedeuten jedoch nicht automatisch bessere Ergebnisse. Große Mengen minderwertiger oder verzerrter Daten können das System sogar verwirren und zu schlechteren Leistungen führen. Entscheidend sind Daten, die bereinigt, aussagekräftig und repräsentativ für das sind, was die KI lernen soll. Letztendlich kommt es also nicht nur darauf an, wie viele Daten man hat, sondern vor allem darauf, wie gut diese Daten sind.Leticia Sagredo, Spanien, Trainerin für berufliche Umschulung und den Erwerb digitaler Kompetenzen
Leer en español (ES)
Como la IA aprende, en última instancia, a partir de los datos, la calidad de estos influye directamente en su rendimiento. Si los datos son precisos, relevantes y están bien organizados, es mucho más probable que la IA produzca resultados útiles y fiables. Sin embargo, disponer de más datos no significa automáticamente obtener mejores resultados. Una gran cantidad de datos de baja calidad o sesgados puede incluso confundir al sistema y provocar un rendimiento deficiente. Lo que realmente importa es contar con datos limpios, significativos y representativos de aquello que la IA está intentando aprender. Al final, no se trata solo de cuántos datos tenemos, sino de la calidad de esos datos.Leticia Sagredo, España, formadora en reconversión profesional y adquisición de competencias digitales
Прочетете на български (BG)
Тъй като в крайна сметка ИИ се учи от данни, тяхното качество оказва пряко влияние върху това колко добре работи той. Ако данните са точни, подходящи и добре организирани, вероятността ИИ да предоставя полезни и надеждни резултати е много по-голяма. Наличието на повече данни обаче не означава автоматично по-добри резултати. Големи количества нискокачествени или пристрастни данни всъщност могат да объркат системата и да доведат до по-слаба ефективност. Това, което наистина има значение, е данните да бъдат изчистени, смислени и представителни за това, което ИИ се опитва да научи. В крайна сметка не става въпрос само за количеството данни, с които разполагаме, а за тяхното качество.Leticia Sagredo, Испания, обучител по професионална преквалификация и придобиване на дигитални умения
Susanne Fürstner — Teaching AI is like teaching students: Good examples make the difference
When training artificial intelligence, good data is often more important than the largest possible amount of data. It is often assumed that AI automatically gets better when it is trained with “big data”. However, the quality of the data is crucial. If data is incorrect, incomplete, or one-sided, the AI learns incorrect patterns and may make inaccurate or unfair decisions. The AI then passes this on as an answer – and may therefore not be usable.
Good data is characterized by being accurate and well-structured. A smaller, carefully selected amount of data can therefore be more valuable than millions of unverified pieces of information. This can be compared to learning at school: students benefit more from clear, understandable and correct learning materials than from a large amount of disordered content.
For me as a teacher, this topic shows how important critical thinking is when dealing with AI. Students should understand that AI is not “objective” or “omniscient”, but only works as well as the data with which it was trained. Bad data can reinforce biases or generate false results. That is why responsible handling of data, transparency and human control are needed. The quality of the information thus forms the basis for trustworthy and fair AI systems.
Susanne Fürstner, Austria, AI Enthusiast
Læs på dansk (DK)
Når man træner kunstig intelligens, er gode data ofte vigtigere end den størst mulige datamængde. Man antager ofte, at AI automatisk bliver bedre, når den trænes med “big data”. Men kvaliteten af dataene er afgørende. Hvis dataene er forkerte, ufuldstændige eller ensidige, lærer AI’en forkerte mønstre og kan træffe upræcise eller uretfærdige beslutninger. AI’en videregiver derefter dette i sine svar og kan derfor ende med ikke at være anvendelig. Gode data er kendetegnet ved at være korrekte og velstrukturerede. En mindre, omhyggeligt udvalgt datamængde kan derfor være mere værdifuld end millioner af ubekræftede oplysninger. Det kan sammenlignes med undervisning i skolen: Elever får mere ud af klare, forståelige og korrekte undervisningsmaterialer end af store mængder uorganiseret indhold. For mig som underviser viser dette emne, hvor vigtig kritisk tænkning er, når man arbejder med AI. Elever bør forstå, at AI hverken er “objektiv” eller “alvidende”, men kun fungerer så godt som de data, den er blevet trænet med. Dårlige data kan forstærke skævheder eller føre til forkerte resultater. Derfor er der behov for ansvarlig håndtering af data, gennemsigtighed og menneskelig kontrol. Oplysningernes kvalitet danner således grundlaget for pålidelige og retfærdige AI-systemer.Susanne Fürstner, Østrig, AI-entusiast
Auf Deutsch lesen (DE)
Beim Training künstlicher Intelligenz sind gute Daten oft wichtiger als eine möglichst große Datenmenge. Häufig wird angenommen, dass KI automatisch besser wird, wenn sie mit „Big Data“ trainiert wird. Entscheidend ist jedoch die Qualität der Daten. Wenn Daten fehlerhaft, unvollständig oder einseitig sind, lernt die KI falsche Muster und trifft möglicherweise ungenaue oder ungerechte Entscheidungen. Diese gibt die KI dann in ihren Antworten weiter und ist dadurch unter Umständen nicht mehr brauchbar. Gute Daten zeichnen sich dadurch aus, dass sie korrekt und gut strukturiert sind. Eine kleinere, sorgfältig ausgewählte Datenmenge kann daher wertvoller sein als Millionen ungeprüfter Informationen. Das lässt sich mit dem Lernen in der Schule vergleichen: Schülerinnen und Schüler profitieren stärker von klaren, verständlichen und korrekten Lernmaterialien als von einer großen Menge ungeordneter Inhalte. Für mich als Lehrerin zeigt dieses Thema, wie wichtig kritisches Denken im Umgang mit KI ist. Schülerinnen und Schüler sollten verstehen, dass KI weder „objektiv“ noch „allwissend“ ist, sondern nur so gut funktioniert wie die Daten, mit denen sie trainiert wurde. Schlechte Daten können Vorurteile verstärken oder falsche Ergebnisse erzeugen. Deshalb sind ein verantwortungsvoller Umgang mit Daten, Transparenz und menschliche Kontrolle notwendig. Die Qualität der Informationen bildet somit die Grundlage für vertrauenswürdige und faire KI-Systeme.Susanne Fürstner, Österreich, KI-Enthusiastin
Leer en español (ES)
Al entrenar una inteligencia artificial, contar con buenos datos suele ser más importante que disponer de la mayor cantidad posible. A menudo se supone que la IA mejora automáticamente cuando se entrena con «big data». Sin embargo, la calidad de los datos es fundamental. Si los datos son incorrectos, incompletos o parciales, la IA aprende patrones erróneos y puede tomar decisiones imprecisas o injustas. Después, la IA transmite esos errores en sus respuestas y, por tanto, puede llegar a no ser útil. Los buenos datos se caracterizan por ser precisos y estar bien estructurados. Por eso, una cantidad menor de datos cuidadosamente seleccionados puede ser más valiosa que millones de datos sin verificar. Esto puede compararse con el aprendizaje en la escuela: los estudiantes se benefician más de materiales educativos claros, comprensibles y correctos que de una gran cantidad de contenidos desorganizados. Para mí, como profesora, este tema demuestra lo importante que es el pensamiento crítico al utilizar la IA. Los estudiantes deben comprender que la IA no es «objetiva» ni «omnisciente», sino que funciona tan bien como se lo permiten los datos con los que ha sido entrenada. Los datos de mala calidad pueden reforzar sesgos o generar resultados falsos. Por eso es necesario gestionar los datos de manera responsable, garantizar la transparencia y mantener el control humano. Así, la calidad de la información constituye la base de unos sistemas de IA fiables y justos.Susanne Fürstner, Austria, entusiasta de la IA
Прочетете на български (BG)
При обучението на изкуствен интелект качествените данни често са по-важни от възможно най-голямото количество данни. Често се предполага, че ИИ автоматично става по-добър, когато се обучава с „големи данни“ (big data). Качеството на данните обаче е от решаващо значение. Ако данните са неправилни, непълни или едностранчиви, ИИ усвоява погрешни закономерности и може да взема неточни или несправедливи решения. След това ИИ предава тези грешки в отговорите си и поради това може да се окаже неизползваем. Качествените данни се характеризират с точност и добра структура. Затова по-малко количество внимателно подбрани данни може да бъде по-ценно от милиони непроверени сведения. Това може да се сравни с ученето в училище: учениците извличат повече полза от ясни, разбираеми и правилни учебни материали, отколкото от голямо количество неорганизирано съдържание. За мен като учител тази тема показва колко важно е критичното мислене при работата с ИИ. Учениците трябва да разбират, че ИИ не е нито „обективен“, нито „всезнаещ“, а работи толкова добре, колкото му позволяват данните, с които е обучен. Некачествените данни могат да засилват предразсъдъците или да водят до неверни резултати. Ето защо са необходими отговорно управление на данните, прозрачност и човешки контрол. По този начин качеството на информацията формира основата на надеждни и справедливи системи с ИИ.Susanne Fürstner, Австрия, ентусиаст в областта на изкуствения интелект
Juan Agustin Veliz — Training for ice skating when the competition is hockey
Well imagine training all your life for ice skating in the olympics but finding out when you finally go there that the thing you were training all this time for was actually hockey. It doesn’t really matter how much training you give a model, when the data is flawed or incorrect.
Juan Agustin Veliz, Germany, AI Expert
Læs på dansk (DK)
Forestil dig, at du hele livet har trænet i skøjteløb for at deltage i OL, men først opdager, når du endelig kommer dertil, at det, du hele tiden skulle have trænet til, faktisk var ishockey. Det er egentlig ligegyldigt, hvor meget man træner en model, hvis dataene er mangelfulde eller forkerte.Juan Agustin Veliz, Tyskland, AI-ekspert
Auf Deutsch lesen (DE)
Stell dir vor, du trainierst dein ganzes Leben lang für das Eislaufen bei den Olympischen Spielen und stellst erst fest, wenn du endlich dort ankommst, dass du eigentlich die ganze Zeit für Eishockey hättest trainieren sollen. Es spielt letztlich keine Rolle, wie intensiv man ein Modell trainiert, wenn die Daten fehlerhaft oder falsch sind.Juan Agustin Veliz, Deutschland, KI-Experte
Leer en español (ES)
Imagínate que te pasas toda la vida entrenando para competir en patinaje sobre hielo en los Juegos Olímpicos, pero cuando por fin llegas descubres que, en realidad, aquello para lo que deberías haberte preparado todo ese tiempo era el hockey sobre hielo. Da igual cuánto entrenes un modelo si los datos son defectuosos o incorrectos.Juan Agustin Veliz, Alemania, experto en IA
Прочетете на български (BG)
Представете си, че цял живот тренирате кънки на лед, за да участвате в Олимпийските игри, но когато най-накрая пристигнете там, разбирате, че всъщност през цялото време е трябвало да се подготвяте за хокей на лед. Няма особено значение колко дълго обучавате един модел, ако данните са непълноценни или неправилни.Juan Agustin Veliz, Германия, експерт по изкуствен интелект
Rumen Neonia — Garbage in, garbage out: The simplest rule of AI training
Garbage in, garbage out. Quality above all else.
Rumen Neonia, an organizational psychologist, Bulgaria, AI Educator
Læs på dansk (DK)
Dårlige data ind, dårlige resultater ud. Kvalitet frem for alt.Rumen Neonia, organisationspsykolog, Bulgarien, AI-underviser
Auf Deutsch lesen (DE)
Schlechte Daten rein, schlechte Ergebnisse raus. Qualität steht über allem.Rumen Neonia, Organisationspsychologe, Bulgarien, KI-Pädagoge
Leer en español (ES)
Si introduces basura, obtienes basura. La calidad por encima de todo.Rumen Neonia, psicólogo organizacional, Bulgaria, educador en IA
Прочетете на български (BG)
Ако въведеш некачествени данни, ще получиш некачествени резултати. Качеството е над всичко.Rumen Neonia, организационен психолог, България, преподавател по изкуствен интелект
Nikolai Dimitrov — The hidden cost of big data: Accuracy, bias and resources
In my opinion, high-quality data is more important than large amounts of data when training AI, because quality always trumps quantity. When there is a massive amount of information, it can often turn out to be inaccurate or incomplete, or even incorrect, and thus the model will learn from these errors. This can lead to inaccurate results and biased responses. A smaller, curated, structured dataset can provide AI with a much more organized and clear foundation for understanding patterns. A much more significant downside, of course, is the resources required to process the data. With larger and more complex data, much greater amounts of energy, money, time, and natural resources are needed. With a smaller dataset, this is significantly reduced, in my opinion. Additionally, the objectivity of the AI model is extremely important, and with a smaller amount of data, it can learn to be more objective and avoid the risk of biased responses. It is important to provide it not with all the information, but with the right information.
Nikolai Dimitrov, Bulgaria, AI Enthusiast
Læs på dansk (DK)
Efter min mening er data af høj kvalitet vigtigere end store datamængder, når man træner AI, fordi kvalitet altid er vigtigere end kvantitet. Når der er enorme mængder information, kan den ofte vise sig at være upræcis, ufuldstændig eller ligefrem forkert, og modellen vil dermed lære af disse fejl. Det kan føre til unøjagtige resultater og skævvredne svar. Et mindre, nøje udvalgt og struktureret datasæt kan give AI et langt mere organiseret og klart grundlag for at forstå mønstre. En langt større ulempe er naturligvis de ressourcer, der kræves for at behandle dataene. Med større og mere komplekse datamængder er der behov for langt mere energi, flere penge, mere tid og flere naturressourcer. Med et mindre datasæt reduceres dette betydeligt efter min mening. Derudover er AI-modellens objektivitet ekstremt vigtig, og med en mindre datamængde kan den lære at være mere objektiv og undgå risikoen for skævvredne svar. Det er vigtigt ikke at give den al information, men den rigtige information.Nikolai Dimitrov, Bulgarien, AI-entusiast
Auf Deutsch lesen (DE)
Meiner Meinung nach sind hochwertige Daten beim Training von KI wichtiger als große Datenmengen, denn Qualität geht immer vor Quantität. Bei einer riesigen Menge an Informationen stellt sich häufig heraus, dass diese ungenau, unvollständig oder sogar falsch sind, sodass das Modell aus diesen Fehlern lernt. Dies kann zu ungenauen Ergebnissen und verzerrten Antworten führen. Ein kleinerer, sorgfältig ausgewählter und strukturierter Datensatz kann der KI eine wesentlich besser organisierte und klarere Grundlage bieten, um Muster zu erkennen. Ein weitaus größerer Nachteil ist natürlich der Ressourcenbedarf für die Verarbeitung der Daten. Größere und komplexere Datenmengen erfordern erheblich mehr Energie, Geld, Zeit und natürliche Ressourcen. Bei einem kleineren Datensatz wird dieser Aufwand meiner Meinung nach deutlich reduziert. Darüber hinaus ist die Objektivität des KI-Modells äußerst wichtig. Mit einer geringeren Datenmenge kann es lernen, objektiver zu sein und das Risiko verzerrter Antworten zu vermeiden. Entscheidend ist, der KI nicht sämtliche Informationen zur Verfügung zu stellen, sondern die richtigen.Nikolai Dimitrov, Bulgarien, KI-Enthusiast
Leer en español (ES)
En mi opinión, los datos de alta calidad son más importantes que disponer de grandes cantidades de datos al entrenar una IA, porque la calidad siempre está por encima de la cantidad. Cuando existe una cantidad masiva de información, a menudo puede resultar imprecisa, incompleta o incluso incorrecta, por lo que el modelo aprenderá de esos errores. Esto puede provocar resultados inexactos y respuestas sesgadas. Un conjunto de datos más pequeño, cuidadosamente seleccionado y estructurado puede proporcionar a la IA una base mucho más organizada y clara para comprender patrones. Una desventaja mucho más importante, por supuesto, son los recursos necesarios para procesar los datos. Cuanto mayores y más complejos son los datos, más energía, dinero, tiempo y recursos naturales se necesitan. En mi opinión, con un conjunto de datos más pequeño, este consumo se reduce considerablemente. Además, la objetividad del modelo de IA es extremadamente importante y, con una menor cantidad de datos, puede aprender a ser más objetivo y evitar el riesgo de ofrecer respuestas sesgadas. Lo importante no es proporcionarle toda la información, sino la información adecuada.Nikolai Dimitrov, Bulgaria, entusiasta de la IA
Прочетете на български (BG)
Според мен висококачествените данни са по-важни от големите количества данни при обучението на ИИ, защото качеството винаги е по-важно от количеството. Когато има огромно количество информация, тя често може да се окаже неточна, непълна или дори неправилна и по този начин моделът ще се учи от тези грешки. Това може да доведе до неточни резултати и пристрастни отговори. По-малък, внимателно подбран и структуриран набор от данни може да осигури на ИИ много по-организирана и ясна основа за разпознаване на закономерности. Много по-съществен недостатък, разбира се, са ресурсите, необходими за обработката на данните. При по-големи и по-сложни обеми от данни са необходими значително повече енергия, пари, време и природни ресурси. Според мен при по-малък набор от данни този разход намалява значително. Освен това обективността на модела с ИИ е изключително важна и с по-малко количество данни той може да се научи да бъде по-обективен и да избягва риска от пристрастни отговори. Важно е да му предоставяме не цялата информация, а правилната информация.Nikolai Dimitrov, България, ентусиаст в областта на изкуствения интелект
Josean Celaya — From kitten memes to training data: How everyday content shapes AI
All the photos and memes that are made today of kittens, for example, may seem completely harmless and purely for entertainment, but they are also part of the massive amount of data that exists online and can be used to train or improve AI systems. Every image, caption, and interaction contributes to patterns that AI can learn from—such as recognizing what a kitten looks like, understanding humor, or identifying what kind of content people engage with the most. Because of this, even lighthearted content plays a role in shaping how AI systems “see” the world and respond to users. While a single meme doesn’t have any noticeable impact on its own, the accumulation of millions of similar pieces of content helps build datasets that influence how accurate, creative, or biased an AI system can become. This highlights an important idea: AI is not only trained on formal or scientific data, but also on everyday digital Culture.
Josean Celaya ,Spain, Educator and a systems administrator
Læs på dansk (DK)
Alle de billeder og memes med killinger, der bliver lavet i dag, kan for eksempel virke fuldstændig harmløse og udelukkende beregnet til underholdning. Men de er også en del af den enorme mængde data, der findes på internettet, og som kan bruges til at træne eller forbedre AI-systemer. Hvert billede, hver billedtekst og hver interaktion bidrager til mønstre, som AI kan lære af – for eksempel at genkende, hvordan en killing ser ud, forstå humor eller identificere, hvilken type indhold folk engagerer sig mest i. Derfor spiller selv humoristisk og let underholdende indhold en rolle i at forme, hvordan AI-systemer “ser” verden og reagerer på brugerne. Selvom et enkelt meme ikke har nogen mærkbar effekt i sig selv, er ophobningen af millioner af lignende indholdselementer med til at opbygge datasæt, der påvirker, hvor præcist, kreativt eller skævvredet et AI-system kan blive. Det understreger en vigtig pointe: AI trænes ikke kun på formelle eller videnskabelige data, men også på hverdagens digitale kultur.Josean Celaya, Spanien, underviser og systemadministrator
Auf Deutsch lesen (DE)
All die Fotos und Memes von Kätzchen, die heutzutage erstellt werden, mögen beispielsweise völlig harmlos erscheinen und ausschließlich der Unterhaltung dienen. Sie sind jedoch auch Teil der riesigen Datenmenge, die im Internet existiert und zum Trainieren oder Verbessern von KI-Systemen verwendet werden kann. Jedes Bild, jede Bildunterschrift und jede Interaktion trägt zu Mustern bei, aus denen KI lernen kann – etwa zu erkennen, wie ein Kätzchen aussieht, Humor zu verstehen oder festzustellen, mit welchen Inhalten sich Menschen am meisten beschäftigen. Deshalb spielt selbst unbeschwerter, unterhaltsamer Inhalt eine Rolle dabei, wie KI-Systeme die Welt „sehen“ und auf Nutzer reagieren. Auch wenn ein einzelnes Meme für sich genommen keine spürbaren Auswirkungen hat, trägt die Ansammlung von Millionen ähnlicher Inhalte zum Aufbau von Datensätzen bei, die beeinflussen, wie präzise, kreativ oder voreingenommen ein KI-System werden kann. Dies verdeutlicht einen wichtigen Gedanken: KI wird nicht nur mit formellen oder wissenschaftlichen Daten trainiert, sondern auch mit der digitalen Alltagskultur.Josean Celaya, Spanien, Pädagoge und Systemadministrator
Leer en español (ES)
Todas las fotos y los memes de gatitos que se crean hoy en día, por ejemplo, pueden parecer completamente inofensivos y destinados únicamente al entretenimiento, pero también forman parte de la enorme cantidad de datos que existe en internet y que puede utilizarse para entrenar o mejorar sistemas de IA. Cada imagen, descripción e interacción contribuye a generar patrones de los que la IA puede aprender, como reconocer el aspecto de un gatito, comprender el humor o identificar qué tipo de contenido genera más interacción entre las personas. Por eso, incluso los contenidos más desenfadados desempeñan un papel en la forma en que los sistemas de IA «ven» el mundo y responden a los usuarios. Aunque un solo meme no tenga un impacto perceptible por sí mismo, la acumulación de millones de contenidos similares ayuda a construir conjuntos de datos que influyen en el grado de precisión, creatividad o sesgo que puede desarrollar un sistema de IA. Esto pone de relieve una idea importante: la IA no se entrena únicamente con datos formales o científicos, sino también con la cultura digital cotidiana.Josean Celaya, España, educador y administrador de sistemas
Прочетете на български (BG)
Всички снимки и мемета с котенца, които се създават днес, например може да изглеждат напълно безобидни и предназначени единствено за забавление, но те също са част от огромното количество данни, които съществуват в интернет и могат да се използват за обучение или подобряване на системи с ИИ. Всяко изображение, надпис и взаимодействие допринася за формирането на закономерности, от които ИИ може да се учи – например да разпознава как изглежда едно котенце, да разбира хумора или да определя какъв тип съдържание привлича най-голямо внимание и ангажираност от хората. Поради тази причина дори забавното и непринудено съдържание играе роля за оформянето на начина, по който системите с ИИ „виждат“ света и отговарят на потребителите. Макар че едно отделно меме само по себе си няма забележимо въздействие, натрупването на милиони подобни материали помага за изграждането на набори от данни, които влияят върху това колко точна, креативна или пристрастна може да стане една система с ИИ. Това подчертава една важна идея: ИИ се обучава не само с официални или научни данни, но и с ежедневната дигитална култура.Josean Celaya, Испания, преподавател и системен администратор
