Zašto su kvaliteta i količina podataka važne u ML-u?

Question

Accepted Answer

U ML-u, **podaci su kritični** — kvaliteta i količina podataka za treniranje uvelike određuju performanse modela. Princip 'smeće na ulazu, smeće na izlazu' se primjenjuje snažno: čak i odličnih algoritama padaju s lošim podacima, dok su dobri podaci često važniji od izbora algoritma.

## Zašto su podaci toliko važni

```text
ML models LEARN from data → the data fundamentally shapes what they learn:
  → GARBAGE IN, GARBAGE OUT → poor data → poor model (no algorithm fixes bad data)
  → good DATA is often MORE impactful than the algorithm (data > model tweaks, often)
  → models can only be as good as the data they learn from
→ data is frequently the most important factor in ML success
```

## Kvaliteta podataka

```text
✓ ACCURATE/correct → wrong labels/values → the model learns wrong things
✓ RELEVANT → data representative of the real problem/distribution
✓ CLEAN → handle missing values, errors, duplicates, noise
✓ UNBIASED → biased data → biased model (perpetuates/amplifies bias — a serious issue)
✓ CONSISTENT, well-labeled → good labels are crucial for supervised learning
```

## Količina podataka i reprezentativnost

```text
✓ ENOUGH data → models (especially deep learning) need sufficient examples to learn patterns
✓ REPRESENTATIVE → data should cover the real-world cases/distribution the model will face
  → if training data doesn't represent reality → poor real-world performance
⚠️ data issues: too little, unrepresentative, biased, mislabeled, leakage → cause model failures
→ much ML effort goes into DATA (collecting, cleaning, labeling) — often the hard part
```

## Zašto je važno

Razumijevanje zašto su kvaliteta i količina podataka važne je vrijedno jer su **podaci često najznačajniji faktor uspjeha ML-a**, zato je razumijevanje njihove kritične uloge bitno znanje u ML-u.

Princip da su **podaci kritični** u ML-u — s kvalitetom i količinom koji uvelike određuju performanse modela — je temeljni uvid koji često podcjenjuju oni fokusirani na algoritme.

Razumijevanje **zašto su podaci toliko važni** — da modeli uče od podataka pa podaci oblikuju što uče, da **smeće na ulazu znači smeće na izlazu** (loši podaci daju loše modele koje nijedan algoritam ne može ispraviti), i da su **dobri podaci često važniji od algoritma** (podaci su važniji od podešavanja modela) — pojašnjava centralnu ulogu podataka, ispravljajući česti naglasak na algoritme.

Razumijevanje **kvalitete podataka** — potrebe za točnim/ispravnim podacima (krivi labeli podučavaju krivo stvari), relevantnim i reprezentativnim podacima, čistim podacima (rukovanje nedostajućim vrijednostima, greškama, šumom), **nepristranim podacima** (jer pristrašni podaci daju pristrašne modele, što je ozbiljna stvar), i dobrih labela (ključni za nadgledano učenje) — pojašnjava dimenzije kvalitete podataka koje utječu na modele.

Razumijevanje **količine podataka i reprezentativnosti** — potrebe za dovoljno podataka (posebno za duboko učenje) i **reprezentativnim podacima** (koji pokrivaju slučajeve iz stvarnog svijeta, jer nereprezentativni podaci za treniranje uzrokuju loše performanse u stvarnom svijetu) — pojašnjava zahtjeve za količinom i pokrivanjem.

Razumijevanje da se **veći dio ML-a rada troši na podatke** (prikupljanje, čišćenje, označavanje — često je to teži dio) odражava praktičnu stvarnost ML rada.

Ovo razumijevanje (kritična uloga podataka, dimenzije kvalitete uključujući pristrasnost, količina i reprezentativnost) je bitno jer su problemi s podacima (loša kvaliteta, pristrasnost, nereprezentativnost) najčešće uzroke neuspjeha ML-a, a prepoznavanje primata podataka je ključno za uspjeh ML-a.

Budući da su podaci često najznačajniji faktor uspjeha ML-a (s kvalitetom i količinom koja uvelike određuje performanse, smeće-na-ulazu-smeće-na-izlazu, i podaci često bitnije od algoritma) i razumijevanje njegove kritične uloge — dimenzije kvalitete uključujući pristrasnost, količina i reprezentativnost — je bitno znanje u ML-u, razumijevanje zašto su kvaliteta i količina podataka važne je vrijedno, bitno znanje u ML-u — pojašnjava kritičnu, često podcijenjenu ulogu podataka u uspjehu ML-a (kvaliteta, količina, reprezentativnost, i izbjegavanje pristrasnosti), ispravljajući naglasak na algoritme, i bitno za razumijevanje zašto ML uspijeva ili pada (obično zbog podataka).