Het klinkt als een paradox: minder trainingsdata gebruiken en tóch krachtigere AI-modellen krijgen. Toch is dat exact wat onderzoekers van Google Research recent hebben laten zien. Met een vernieuwende aanpak die draait om “high-fidelity” labels en actieve selectie van relevante voorbeelden, slaagden ze erin de hoeveelheid benodigde trainingsdata met een factor 10.000 terug te brengen — zonder in te boeten op nauwkeurigheid. Sterker nog, de modellen presteren zelfs béter dan voorheen.
AI die leert van de beste voorbeelden, niet van de meeste
Traditioneel worden taalmodellen getraind met enorme hoeveelheden gegevens. Hoe meer data, hoe beter – was lange tijd het credo. Maar dat komt met hoge kosten: zowel financieel, ecologisch als praktisch. Bovendien zit in grote datasets veel ‘ruis’ en inconsistentie.
De nieuwe methode van Google draait het script om: het model leert niet van zo veel mogelijk data, maar van de juiste data. En die worden met zorg geselecteerd, met hulp van een kleine groep menselijke experts.
Zo werkt het: van ruwe selectie tot scherp gelabelde parels
De aanpak begint met een “zero-shot” LLM die op basis van een paar instructies automatisch labels toekent aan ongesorteerde data. Denk aan het beoordelen van advertenties op misleidende inhoud, een taak die doorgaans veel subjectieve interpretatie vereist.
Vervolgens wordt gekeken waar het model twijfelt: in die ‘grijze zones’ worden de meest betekenisvolle voorbeelden gezocht. Alleen die worden voorgelegd aan menselijke annotators, die de uiteindelijke ‘high-fidelity’ labels toekennen.
Die kleine selectie van gelabelde data is verrassend effectief. Waar traditioneel tienduizenden voorbeelden nodig zijn, volstaat hier een paar honderd scherpe, goed gekozen gevallen.
Slimmer trainen leidt tot sterkere modellen
De resultaten liegen er niet om. In experimenten met modellen van 1,8 en 3,25 miljard parameters bleek dat de modellen, getraind op slechts 250 tot 450 high-quality labels, prestaties leverden die gelijk of zelfs beter waren dan wanneer duizenden ruwe voorbeelden werden gebruikt.
De overeenkomst tussen model en menselijke expert werd gemeten met de zogeheten Cohen’s Kappa-score. Daarbij zag men een verbetering tot wel 65% ten opzichte van traditionele trainingsmethoden.
Mensen én AI, samen sterker
Wat deze aanpak bijzonder maakt, is hoe hij de sterktes van mens en machine combineert. LLM’s zijn uitstekend in het verkennen van brede datavelden en herkennen van patronen. Maar in de finesses – daar waar de betekenis afhangt van context, cultuur of nuance – hebben mensen nog altijd de overhand.
Door AI in te zetten als voorfilter, en mensen alleen in te schakelen waar het écht telt, ontstaat een efficiënte samenwerking. Geen overbodig werk, geen verspilling van rekenkracht, geen ruis. Alleen zuivere signalen.
Minder data, meer controle – een nieuwe standaard?
In een wereld waarin AI steeds meer beslissingen beïnvloedt, groeit ook de vraag naar transparantie en betrouwbaarheid. Deze aanpak – gericht op kwaliteit boven kwantiteit – biedt niet alleen schaalbaarheid, maar ook betere controle over hoe en waarom modellen tot bepaalde conclusies komen.
Google laat met dit onderzoek zien dat grote modellen niet altijd grote hoeveelheden data nodig hebben. Soms is een kleine, zorgvuldig gekozen dataset alles wat nodig is om AI écht slimmer te maken.
