Mae model dysgu peirianyddol llwyddiannus yn dechrau gyda data hyfforddi o ansawdd uchel. Ond un o'r cwestiynau mwyaf cyffredin y mae timau'n eu gofyn ar ddechrau prosiect AI yw: faint o ddata hyfforddi sy'n ddigon?
Yr ateb gonest yw nad oes rhif sefydlog sy'n gweithio ar gyfer pob prosiect. Mae faint o ddata sydd ei angen arnoch yn dibynnu ar y dasg, cymhlethdod y model, nifer y dosbarthiadau, ansawdd data, cywirdeb labeli, a'r safon perfformiad rydych chi am ei chyrraedd.
Yn ymarferol, y ffordd orau o amcangyfrif gofynion data hyfforddi yw dechrau gyda sampl gynrychioliadol, hyfforddi ar is-setiau sy'n cynyddu'n raddol, a mesur pryd mae perfformiad y model yn dechrau lefelu. Mae hyn yn helpu timau i wneud penderfyniadau gwybodus am gost, amserlen, ymdrech anodi, a chanlyniadau disgwyliedig.
Yn y blog hwn, rydym yn dadansoddi'r prif ffactorau sy'n effeithio ar gyfaint data hyfforddi, yn egluro sut i amcangyfrif gofynion yn ymarferol, ac yn dangos beth i'w wneud pan fydd angen mwy o ddata arnoch heb ohirio eich map ffordd AI.
Pam mae Data Hyfforddi yn Bwysig
Data hyfforddi yw sylfaen pob system dysgu peirianyddol. Ni waeth pa mor ddatblygedig yw'r algorithm, dim ond patrymau sy'n bresennol yn y data a ddefnyddir i'w hyfforddi y gall eu dysgu. Os yw'r data yn anghyflawn, yn rhagfarnllyd, yn swnllyd, neu'n rhy gyfyngedig, bydd y model yn ei chael hi'n anodd cyffredinoli yn y byd go iawn.
Mae data hyfforddi cryf yn helpu timau:
- gwella cywirdeb y model
- lleihau rhagfarn a mannau dall
- amcangyfrif cost a dichonoldeb y prosiect yn fwy cywir
- lleihau ailweithio yn ystod iteriad model
- adeiladu piblinellau dilysu a phrofi mwy dibynadwy
Dyma pam mae casglu, glanhau, labelu a dilysu data yn aml yn cymryd y gyfran fwyaf o ymdrech mewn prosiectau AI. Os yw'r data'n wan, bydd rhagfynegiadau'n wan hefyd.
Nid oes Rhif Cyffredinol - Ond Mae Ffordd Ymarferol o'i Amcangyfrif
Mae llawer o erthyglau'n ceisio ateb y cwestiwn hwn gydag un rhif. Anaml y bydd hynny'n ddefnyddiol.
Gall model ar gyfer dosbarthiad deuaidd syml berfformio'n dda gyda set ddata gymharol fach, tra gall model iaith mawr sy'n mireinio llif gwaith neu system weledigaeth gyfrifiadurol ar gyfer achosion ymyl fod angen llawer mwy o enghreifftiau. Y cwestiwn gwell yw nid "beth yw'r rhif hud?" ond:
Beth yw'r swm lleiaf o ddata hyfforddi cynrychioliadol o ansawdd uchel sydd ei angen i gyrraedd y perfformiad targed ar gyfer yr achos defnydd hwn?
Ffordd ymarferol o ateb hyn yw defnyddio cromliniau dysgu: hyfforddi'r model ar symiau cynyddol o ddata ac arsylwi faint mae perfformiad yn gwella gyda phob cam. Pan fydd gwelliant yn dechrau gwastadu, mae gennych signal llawer cliriach ynghylch a yw casglu mwy o ddata yn werth y buddsoddiad. Argymhellir y dull hwn yn gyffredin mewn llifau gwaith ML ymarferol.
7 Ffactor Sy'n Penderfynu Faint o Ddata Hyfforddi Sydd Ei Angen Arnoch
1. Math o Fodel: ML Clasurol vs Dysgu Dwfn
Mae gan y math o fodel effaith fawr ar ofynion data. Gall modelau dysgu peirianyddol clasurol fel atchweliad logistaidd, coed penderfyniadau, neu hybu graddiant berfformio'n dda ar setiau data strwythuredig llai, yn enwedig pan fydd nodweddion wedi'u peiriannu'n dda.
Yn gyffredinol, mae angen mwy o ddata ar fodelau dysgu dwfn oherwydd eu bod yn dysgu nodweddion yn awtomatig ac yn cynnwys llawer mwy o baramedrau. Ar gyfer tasgau delwedd, sain ac iaith, mae modelau dwfn fel arfer yn elwa'n sylweddol o gyfaint ac amrywiaeth data ychwanegol.
2. Dysgu dan Oruchwyliaeth vs Dysgu Heb Oruchwyliaeth
Mae dysgu dan oruchwyliaeth yn gofyn am ddata wedi'i labelu, sydd yn aml yn anoddach ac yn ddrytach i'w gasglu. Os oes angen bodau dynol ar eich model i anodi delweddau, trawsgrifio sain, tagio endidau, neu ddosbarthu dogfennau, rhaid i'r gofyniad data ystyried maint ac ymdrech labelu.
Nid oes angen data wedi'i labelu ar ddysgu heb oruchwyliaeth, ond mae'n dal i elwa o setiau data mawr, cynrychioliadol. Hyd yn oed heb labeli, mae angen digon o sylw ar y model i ganfod patrymau a strwythur ystyrlon.
3. Cymhlethdod Tasgau a Nifer y Dosbarthiadau
Mae tasg dosbarthu deuaidd syml yn wahanol iawn i broblem delweddu meddygol aml-ddosbarth neu system adnabod lleferydd amlieithog.
Wrth i gymhlethdod tasgau gynyddu, mae gofynion data hyfforddi fel arfer yn codi oherwydd bod yn rhaid i'r model ddysgu:
- mwy o ddosbarthiadau
- gwahaniaethau mwy manwl rhwng categorïau
- mwy o achosion ymyl
- mwy o amrywioldeb cyd-destunol
Er enghraifft, mae gwahaniaethu rhwng “cath” a “chi” yn llawer haws na nodi dwsinau o ddiffygion cynnyrch tebyg yn weledol ar draws amodau goleuo, onglau camera a chefndiroedd.
4. Ansawdd Data a Chywirdeb Labeli
Nid yw mwy o ddata bob amser yn well os yw'r ansawdd yn wael.
Gall set ddata lai gyda labeli cywir, cynrychiolaeth gytbwys, a fformatio cyson berfformio'n well na set ddata fwy ond swnllyd. Mae labeli o ansawdd isel, cofnodion dyblyg, diffiniadau dosbarth gwan, metadata coll, a chanllawiau anodi anghyson i gyd yn lleihau perfformiad y model.
Cyn casglu mwy o ddata, dylai timau ofyn:
- A yw labeli'n gyson?
- Ydyn ni'n ymdrin â phob senario defnyddiwr pwysig?
- A yw'r data'n gynrychioliadol o amodau cynhyrchu?
- A yw setiau hyfforddi, dilysu a phrofi wedi'u gwahanu'n iawn?
I lawer o brosiectau, mae gwella ansawdd data yn cynhyrchu enillion cyflymach na chynyddu cyfaint data yn unig.
5. Amrywiaeth, Cwmpas, a Chydbwysedd Dosbarth
Dylai model ddysgu o'r amrywioldeb yn y byd go iawn y bydd yn ei wynebu ar ôl ei ddefnyddio. Mae hynny'n golygu y dylai'r set ddata adlewyrchu gwahanol senarios, grwpiau defnyddwyr, mathau o ddyfeisiau, acenion, amgylcheddau, fformatau dogfennau, amodau delwedd ac achosion ymyl.
Os yw un dosbarth neu segment wedi'i dangynrychioli, gall y model ymddangos yn gywir ar y cyfan tra'n methu'n wael ar is-grwpiau hollbwysig. Dyma pam mae amrywiaeth a chydbwysedd dosbarth yr un mor bwysig â maint crai.
Mewn llawer o achosion, nid y cwestiwn yw “Oes gennym ni ddigon o ddata?” ond “Oes gennym ni ddigon o’r data cywir?”
6. Dysgu Trosglwyddo a Modelau Wedi'u Hyfforddi Ymlaen Llaw
Os ydych chi'n dechrau o fodel sydd wedi'i hyfforddi ymlaen llaw, efallai y bydd angen llawer llai o ddata penodol i dasgau arnoch chi nag os ydych chi'n hyfforddi o'r dechrau.
Mae hyn yn arbennig o wir am:
- dosbarthiad delweddau gan ddefnyddio asgwrn cefn gweledigaeth
- Tasgau NLP gan ddefnyddio modelau sy'n seiliedig ar drawsnewidyddion
- modelau lleferydd wedi'u haddasu i acen neu faes newydd
- llifau gwaith addasu parth
Mae dysgu trosglwyddo yn caniatáu i dimau ailddefnyddio gwybodaeth a ddysgwyd ar setiau data mawr sy'n bodoli eisoes, a all leihau'r baich anodi yn sylweddol. Roedd yr erthygl wreiddiol eisoes yn ymdrin â hyn yn dda; dylai aros, ond gydag enghreifftiau cliriach.
7. Strategaeth Dilysu a Pherfformiad Targed
Mae faint o ddata sydd ei angen arnoch hefyd yn cael ei siapio gan ba mor dda y mae angen i'r model fod.
Gall prototeip weithio gyda symiau cymedrol o ddata. Bydd model cynhyrchu mewn amgylcheddau gofal iechyd, cyllid, yswiriant, modurol, neu amgylcheddau sy'n canolbwyntio'n drwm ar gydymffurfiaeth angen sylw cryfach, labeli glanach, dilysu gwell, a pherfformiad mwy dibynadwy ar draws achosion ymyl. Po fwyaf llym yw'r gyfradd gwall dderbyniol, y mwyaf cadarn y mae'n rhaid i'ch set ddata fod.
Sut i Amcangyfrif Gofynion Data Hyfforddi yn Ymarferol
Yn lle dyfalu, defnyddiwch broses amcangyfrif strwythuredig.
Cam 1: Dechreuwch gyda Set Data Peilot Cynrychioliadol
Casglwch sampl llai ond cynrychioliadol o'r gofod problem. Cynhwyswch ddosbarthiadau, fformatau, mathau o ddefnyddwyr ac amrywiadau pwysig yn y byd go iawn.
Cam 2: Rhannwch y Data'n Gywir
Creu setiau hyfforddi, dilysu a phrofi ar wahân. Gwnewch yn siŵr bod y set brawf yn adlewyrchu amodau cynhyrchu ac nad yw byth yn cael ei defnyddio yn ystod hyfforddiant.
Cam 3: Hyfforddi ar Samplau Mwy a Mwy
Hyfforddwch y model gan ddefnyddio rhannau cynyddol o'r set ddata, fel 10%, 20%, 40%, 60%, 80%, a 100%.
Cam 4: Plotio Cromlin Ddysgu
Traciwch fetrigau perfformiad fel cywirdeb, sgôr F1, atgof, manylder, neu fesurau ansawdd penodol i dasgau wrth i faint y set ddata gynyddu.
Cam 5: Chwiliwch am y Llwyfandir
Os bydd perfformiad model yn gwella'n sydyn gyda mwy o ddata, mae'n debyg y bydd angen mwy arnoch. Os bydd gwelliannau'n gwastadu, efallai nad cyfaint yw eich tagfa mwyach - efallai mai ansawdd label, dyluniad nodwedd, dewis model, neu anghydbwysedd dosbarth ydyw.
Cam 6: Adolygu Perfformiad Lefel Segment
Gwiriwch sut mae'r model yn perfformio nid yn unig yn gyffredinol, ond ar draws dosbarthiadau pwysig ac achosion ymyl. Gall model llonyddu'n gyffredinol tra'n dal i berfformio'n wael ar segmentau lleiafrifol. Mae'r dull hwn yn rhoi amcangyfrif mwy realistig i randdeiliaid o faint o ddata ychwanegol sy'n werth ei gasglu.
Sut i Wybod Pryd Mae Gennoch Ddigon o Ddata Hyfforddi
Mae'n debyg bod gennych chi ddigon o ddata pan:
- dim ond ychydig bach y mae perfformiad y model yn gwella wrth i fwy o ddata gael ei ychwanegu
- mae canlyniadau dilysu yn sefydlog ar draws rhediadau neu blygiadau lluosog
- mae dosbarthiadau pwysig yn perfformio'n dderbyniol, nid dim ond y dosbarth mwyafrifol
- perfformiad yn dal ar set brawf glân, heb ei chyffwrdd
- mae'r gwallau sy'n weddill yn cael eu hachosi'n fwy gan sŵn neu amwysedd label nag oherwydd diffyg enghreifftiau
Mae'n debyg y bydd angen mwy o ddata arnoch pan:
- mae'r gromlin ddysgu yn dal i ddringo
- dosbarthiadau prin yn perfformio'n wael
- mae'r model yn methu ar amrywiadau cyffredin yn y byd go iawn
- mae'r canlyniadau'n amrywio'n fawr rhwng rhediadau
- mae perfformiad profion yn gostwng yn sydyn o'i gymharu â pherfformiad dilysu
Sut i Leihau Gofynion Data Hyfforddi
Weithiau nid dylunio model yw'r her — prinder data, cyllideb, neu amser i'r farchnad. Yn yr achosion hynny, gall timau leihau eu dibyniaeth ar gyfrolau data enfawr gyda'r strategaethau cywir.
Cynyddu Data
Mae cynyddu data yn creu enghreifftiau hyfforddi newydd o ddata sy'n bodoli eisoes. Mewn gweledigaeth gyfrifiadurol, gall hyn gynnwys cnydio, cylchdroi, fflipio, neu addasu disgleirdeb. Mewn NLP a lleferydd, rhaid i gynyddu fod yn fwy gofalus, ond gall trawsnewidiadau rheoledig helpu o hyd.
O'i ddefnyddio'n gywir, mae ychwanegiad yn gwella cadernid ac yn helpu modelau i gyffredinoli'n well. O'i ddefnyddio'n wael, gall gyflwyno sŵn neu enghreifftiau afrealistig.
Trosglwyddo Dysgu
Mae dysgu trosglwyddo yn caniatáu ichi addasu model presennol ar gyfer tasg newydd yn lle hyfforddi o ddim byd. Yn aml, dyma un o'r ffyrdd mwyaf effeithiol o leihau gofynion data hyfforddi.
Modelau wedi'u hyfforddi ymlaen llaw
Gall modelau sydd wedi'u hyfforddi ymlaen llaw fel modelau NLP tebyg i BERT neu asgwrn cefn gweledigaeth sefydledig ddarparu mannau cychwyn cryf. Yn hytrach na dysgu popeth o'r dechrau, mae'r model yn dechrau gyda gwybodaeth flaenorol ddefnyddiol.
Dysgu Gweithredol
Os yw labelu yn ddrud, gall dysgu gweithredol helpu i flaenoriaethu'r enghreifftiau mwyaf addysgiadol yn gyntaf. Mae hyn yn gwella effeithlonrwydd anodi a gall leihau nifer y labeli sydd eu hangen i gyrraedd perfformiad defnyddiol.
Data Synthetig
Gall data synthetig fod yn ddefnyddiol pan fo data o'r byd go iawn yn brin, yn sensitif, neu'n anodd ei gasglu, yn enwedig mewn meysydd fel gofal iechyd, cyllid, systemau ymreolaethol, ac efelychu achosion ymylol. Ond dylai ategu - nid disodli'n ddall - data go iawn, cynrychioliadol.
Enghreifftiau o'r Byd Go Iawn O Brosiectau Dysgu Peiriannau Gyda Setiau Data Lleiaf
Er ei bod yn ymddangos yn amhosibl y gellir cyflawni rhai prosiectau dysgu peirianyddol uchelgeisiol heb fawr o ddeunyddiau crai, mae rhai achosion yn rhyfeddol o wir. Paratowch i gael eich syfrdanu.
| Adroddiad Kaggle | Gofal Iechyd | Oncoleg Glinigol |
| Mae arolwg Kaggle yn datgelu bod dros 70% o'r prosiectau dysgu peiriant wedi'u cwblhau gyda llai na 10,000 o samplau. | Gyda dim ond 500 o ddelweddau, hyfforddodd tîm MIT fodel i ganfod niwroopathi diabetig mewn delweddau meddygol o sganiau llygaid. | Gan barhau â'r enghraifft gyda gofal iechyd, llwyddodd tîm o Brifysgol Stanford i ddatblygu model i ganfod canser y croen gyda dim ond 1000 o ddelweddau. |
Gwneud Dyfaliadau Addysgedig
Nid oes unrhyw rif hud ynghylch y lleiafswm o ddata sydd ei angen, ond mae yna ychydig o reolau bawd y gallwch eu defnyddio i gyrraedd rhif rhesymegol.
Rheol 10
Fel rheol bawd, i ddatblygu model AI effeithlon, dylai nifer y setiau data hyfforddi sydd eu hangen fod ddeg gwaith yn fwy na phob paramedr model, a elwir hefyd yn raddau rhyddid. Nod y rheolau amser '10' yw cyfyngu ar yr amrywioldeb a chynyddu amrywiaeth y data. O'r herwydd, gall y rheol gyffredinol hon eich helpu i gychwyn eich prosiect trwy roi syniad sylfaenol i chi am y nifer gofynnol o setiau data.
Dysgu Dwfn
Mae dulliau dysgu dwfn yn helpu i ddatblygu modelau o ansawdd uchel os darperir mwy o ddata i'r system. Derbynnir yn gyffredinol y dylai cael 5000 o ddelweddau wedi'u labelu fesul categori fod yn ddigon ar gyfer creu algorithm dysgu dwfn a all weithio'n gyfartal â bodau dynol. Er mwyn datblygu modelau eithriadol o gymhleth, mae angen o leiaf 10 miliwn o eitemau wedi'u labelu.
Gweledigaeth Cyfrifiadurol
Os ydych chi'n defnyddio dysgu dwfn ar gyfer dosbarthu delweddau, mae consensws bod set ddata o 1000 o ddelweddau wedi'u labelu ar gyfer pob dosbarth yn nifer gweddol.
Cromliniau Dysgu
Defnyddir cromliniau dysgu i ddangos perfformiad yr algorithm dysgu peiriant yn erbyn maint data. Trwy gael y sgil model ar yr echel Y a'r set ddata hyfforddi ar yr echel X, mae'n bosibl deall sut mae maint y data yn effeithio ar ganlyniad y prosiect.
Cost Cael Rhy Ychydig o Ddata
Pan fydd timau'n hyfforddi ar setiau data cyfyngedig, cul, neu rhagfarnllyd, gall y model ymddangos yn addawol mewn datblygiad ond methu mewn cynhyrchiad.
Gall rhy ychydig o ddata arwain at:
- gorffitio
- cyffredinoliad gwan
- rhagfynegiadau ansefydlog
- perfformiad gwael ar ddosbarthiadau lleiafrifol
- risg rhagfarn uwch
- mwy o amser iteru yn ddiweddarach
Hynny yw, mae'r cyfyngiadau yn eich data hyfforddi yn aml yn dod yn gyfyngiadau eich cynnyrch.
Beth i'w wneud os oes angen mwy o setiau data arnoch chi
Pan fyddwch chi'n nodi bwlch data, nid yw'r ateb bob amser yn "casglu popeth." Y dull mwy call yw ehangu'r set ddata yn strategol.
1. Defnyddiwch Setiau Data Agored yn Ofalus
Gall setiau data agored helpu ar gyfer creu prototeipiau neu feincnodi, ond nid ydynt bob amser yn addas ar gyfer defnydd cynhyrchu. Dylai timau adolygu tarddiad, caniatâd, ansawdd, perthnasedd a chwmpas cyn dibynnu arnynt.
2. Casglwch Ddata Personol ar gyfer Eich Achos Defnydd
Os yw'r amgylchedd targed yn benodol iawn, casglu data personol yw'r opsiwn gorau yn aml. Mae hyn yn arbennig o wir ar gyfer llifau gwaith sy'n canolbwyntio ar feysydd penodol fel deallusrwydd artiffisial gofal iechyd, deallusrwydd artiffisial sgwrsiol, achosion ymyl gweledigaeth gyfrifiadurol, a systemau amlieithog.
3. Gwella Data Presennol Trwy Anodiadau
Mae gan lawer o dimau ddata crai eisoes ond mae diffyg strwythur ynddynt. Gall anodi, ail-labelu, glanhau tacsonomeg ac adolygu ansawdd ddatgloi gwerth yn gyflymach na chasglu setiau data newydd sbon.
4. Ailgydbwyso Dosbarthiadau Dangynrychioledig
Os yw perfformiad yn wan ar gategorïau penodol, canolbwyntiwch y casglu a'r labelu ar y bylchau effaith uchel hynny yn hytrach nag ehangu'r set ddata gyfan yn gyfartal.
5. Ychwanegu Data Synthetig neu Estynedig Lle Bo'n Briodol
Pan fo data go iawn yn gyfyngedig neu'n sensitif, gall data synthetig ac estynedig helpu i wella'r sylw - ond dylid ei ddilysu'n ofalus yn erbyn dosraniadau yn y byd go iawn.
6. Gweithio gyda Phartner Data Arbenigol
I timau sy'n adeiladu AI cynhyrchu ar raddfa fawr, gall partneru â darparwr a all gasglu, trwyddedu, anodi, dilysu a llywodraethu data hyfforddi o ansawdd uchel leihau risg y prosiect yn sylweddol a chyflymu'r broses o'i ddefnyddio.
Thoughts Terfynol
Nid oes rhif hud ar gyfer hyfforddi data mewn dysgu peirianyddol. Mae'r swm cywir yn dibynnu ar yr achos defnydd, y math o fodel, ansawdd y data, amrywiaeth dosbarth, strategaeth ddilysu, a pherfformiad targed.
Y ffordd fwyaf effeithiol o amcangyfrif anghenion data hyfforddi yw dechrau gyda sampl gynrychioliadol, mesur perfformiad gan ddefnyddio cromliniau dysgu, ac ehangu'r set ddata yn strategol yn seiliedig ar ble mae'r model yn dal i fethu.
Ar gyfer rhai prosiectau, efallai y bydd set ddata gymedrol o ansawdd uchel yn ddigon. I eraill, yn enwedig amgylcheddau risg uchel neu amrywiol iawn, mae llwyddiant yn dibynnu ar setiau data mawr, wedi'u curadu'n ofalus, ac wedi'u hanodio'n dda.
Yr hyn sydd bwysicaf yw nid yn unig cael mwy o ddata - ond cael y data cywir.
A oes gennych chi brosiect gwych mewn golwg ond yn aros am setiau data wedi'u teilwra i hyfforddi'ch modelau neu'n ei chael hi'n anodd cael y canlyniad cywir o'ch prosiect? Rydym yn cynnig setiau data hyfforddi helaeth ar gyfer amrywiaeth o anghenion prosiect. Trosoledd potensial Shaip trwy siarad ag un o'n gwyddonwyr data heddiw a deall sut rydym wedi darparu setiau data o ansawdd uchel sy'n perfformio i gleientiaid yn y gorffennol.
Faint o ddata hyfforddi sy'n ddigon ar gyfer dysgu peirianyddol?
Nid oes rhif sefydlog. Mae'r swm cywir yn dibynnu ar y dasg, cymhlethdod y model, ansawdd y label, cydbwysedd y dosbarth, a chywirdeb y targed. Y ffordd fwyaf dibynadwy o'i amcangyfrif yw hyfforddi ar is-setiau cynyddol a mesur gwelliannau perfformiad.
Sut ydw i'n gwybod a oes angen mwy o ddata hyfforddi arnaf?
Mae'n debyg y bydd angen mwy o ddata hyfforddi arnoch os yw perfformiad y model yn parhau i wella wrth i faint y data gynyddu, os yw dosbarthiadau prin yn perfformio'n wael, neu os yw'r canlyniadau'n ansefydlog ar draws rhediadau.
A all trosglwyddo dysgu leihau gofynion data hyfforddi?
Ydy. Mae dysgu trosglwyddo yn caniatáu i fodelau ailddefnyddio gwybodaeth o systemau a hyfforddwyd yn flaenorol, a all leihau faint o ddata wedi'i labelu sy'n benodol i dasgau sydd ei angen yn sylweddol.
A yw mwy o ddata bob amser yn well ar gyfer dysgu peirianyddol?
Ddim o reidrwydd. Gall mwy o ddata o ansawdd isel neu ddata sydd wedi'i labelu'n wael niweidio perfformiad. Mewn llawer o achosion, mae gwella ansawdd, cydbwysedd a chynrychiolaeth data yn fwy gwerthfawr na chynyddu cyfaint yn unig.
Faint o ddata sydd ei angen arnaf ar gyfer dysgu dwfn?
Mae modelau dysgu dwfn fel arfer yn gofyn am fwy o ddata na modelau dysgu peirianyddol clasurol, yn enwedig ar gyfer tasgau delwedd, lleferydd ac iaith. Fodd bynnag, gall modelau wedi'u hyfforddi ymlaen llaw a dysgu trosglwyddo leihau'r gofyniad hwn.
