noun
Le surapprentissage se produit quand un modèle d’apprentissage automatique devient trop complexe, en captant des bruits et des anomalies dans ses données d’entraînement plutôt que les tendances générales. Cela arrive lorsque le modèle cherche à minimiser les erreurs d’entraînement au détriment des performances sur de nouvelles données.
Par exemple, un modèle de langage formé sur un jeu de données spécifique peut mémoriser des particularités ou des erreurs, ce qui entraîne des prédictions incorrectes face à de nouvelles entrées. Le surapprentissage est courant dans les modèles avec trop de paramètres par rapport à la quantité de données d’entraînement.
Pour les développeurs, le surapprentissage signifie des ressources informatiques gaspillées et des résultats peu fiables. Ils doivent utiliser des techniques comme la régularisation, la validation croisée ou des modèles plus simples pour garantir que l’IA fonctionne bien dans des scénarios réels. Un générateur d’images mal entraîné pourrait produire des sorties déformées s’il surapprentissage des artefacts dans les images d’entraînement.
Un chatbot formé sur un petit ensemble de scripts de service client peut surapprendre et échouer à répondre aux questions en dehors de ces scripts.
Dans les autres langues
- EN Overfitting
- ES Sobreajuste
- DE Überanpassung