Data Augmentation Data Augmentation erzeugt zusätzliche Trainingsbeispiele, indem vorhandene leicht verändert werden – Bilder gespiegelt, gedreht oder aufgehellt, Texte umformuliert. Das Modell wird dadurch unempfindlicher gegen Schwankungen und neigt weniger zur Überanpassung. Neue Information entsteht dabei nicht.
Kurz-Fakten
Bei Bildern besonders wirksam und weit verbreitet
Die Veränderungen müssen zur Wirklichkeit passen – ein gespiegeltes Verkehrsschild nicht
Wird nur auf Trainingsdaten angewendet, nie auf Testdaten
Ersetzt keine echten Beispiele einer fehlenden Klasse
Bedeutung in der Praxis
Der zweite Punkt entscheidet über Nutzen oder Schaden. Wer Aufnahmen so verändert, wie sie im Betrieb nie vorkommen, trainiert das Modell auf einen Fall, den es nie sehen wird – und verschwendet Kapazität.
Inhaber von SEO NW in Bertingen. Arbeitet an der Schnittstelle von Suchmaschinenoptimierung und angewandter künstlicher Intelligenz: Prompt Engineering, Retrieval-Augmented Generation und die Frage, unter welchen Bedingungen ein Sprachmodell einen Inhalt übernimmt und der richtigen Quelle zuschreibt.