Kezdetben a videó bemutatja, mi is az adatállomány (dataset) szerepe a mesterséges intelligencia (AI) modellek tanításában, finomhangolásában és értékelésében. Különös hangsúlyt kap, hogy az AI nem programozás, hanem rengeteg példán keresztüli mintafelismerés révén tanul, így az adatállományok minősége és változatossága meghatározza a végeredményt.
Megtudhatjuk, mennyire fontos megérteni az adatállomány formátumának és típusának közötti különbséget. Számos formátum létezik, például a ShareGPT formátum, Alpaca, és különféle JSON struktúrák, amelyek mindegyike eltérő módon rendszerezi ugyanazt az információt, mintha különböző nyelveken írt archívumokat hasonlítanánk össze.
A videó ismerteti az AI-képzéshez használt különböző adatállománytípusokat is. Ezek közé tartozik a pre-tréning adathalmaz, a felügyelt finomhangolás, a humán visszacsatoláson alapuló megerősítéses tanulás (RLHF), a besorolási (klasszifikációs) adathalmaz, a multimodális (például szöveg és kép együtt) és az úgynevezett agentikus, eszközök hívására képes adatstruktúrák.
A különböző típusok eltérő képzési célokat szolgálnak, és változó adatstruktúrákkal dolgoznak; a fejlődés a legegyszerűbb token előrejelzéstől a komplex, több lépéses funkcióhívásokig tart. Felveti a kérdést, hogyan választjuk ki a megfelelő adatállomány-formátumot és típust, illetve milyen szerepet játszanak ezek a sikeres AI fejlesztésben.
