adathalmaz

angolul: dataset

alapelterjedt

Az adathalmaz összetartozó, rendszerezett adatok gyűjteménye – szövegek, képek, számok –, amelyből a mesterséges intelligencia tanul, vagy amelyen a tudását mérik.

Érthetően

Az adathalmaz olyan a mesterséges intelligenciának, mint a tankönyv és a feladatgyűjtemény a diáknak. A modell abból tanul, amit elé tesznek, és csak arról lesz fogalma, ami az anyagban szerepelt.

Egy adathalmaz bármiből állhat: több millió fényképből, orvosi leletekből, ügyfélszolgálati levelekből vagy egy bolt tízévnyi eladási adataiból. A lényeg, hogy az adatok egy célra, egységes formában vannak összegyűjtve, és gyakran címkék is tartoznak hozzájuk, például „ezen a képen macska van”.

Más, mint egy halom fájl a gépeden. Az adathalmazt valaki egy célra összeválogatta, és jó esetben meg is tisztította és dokumentálta, így tudni lehet, honnan származik és mire való. A minősége gyakran többet számít a méreténél: ha hibás vagy egyoldalú, a belőle tanuló modell is az lesz.

Hogyan működik

Gyűjtés: az adatokat összeszedik például weboldalakról, szenzorokból, céges rendszerekből vagy kérdőívekből.
Tisztítás: kiszűrik az ismétlődéseket, a hibás és a hiányos tételeket, és mindent egységes formára hoznak.
Címkézés: ha a feladat megkívánja, emberek vagy programok megjelölik, mi a helyes válasz az egyes példákhoz.
Felosztás: az adathalmazt jellemzően három részre vágják. A tanító részből tanul a modell, a validációs részen a beállításait hangolják, a teszt részen pedig olyan példákkal vizsgáztatják, amelyeket még nem látott.
Dokumentálás és karbantartás: leírják, honnan származik az adat, mire használható és mire nem, majd időnként frissítik, mert a világ változik.

Példa a mindennapokból

Amikor a telefonod galériájában rákeresel arra, hogy „kutya”, és előjönnek a kutyás képeid, egy olyan modell dolgozik, amelyet több millió felcímkézett fényképből álló adathalmazon tanítottak. A te képeidet soha nem látta korábban, a tanult minták alapján ismeri fel őket.

Kit érint

mindenkiAz általad használt AI-eszközök válaszait az határozza meg, milyen adathalmazon tanultak, és a nyilvános írásaid, képeid is bekerülhetnek ilyenbe.

vállalkozó, vezetőA céged saját, rendezett adatai komoly értéket jelentenek, mert ezektől lesz az AI a te üzletedre szabott.

fejlesztőA modell vagy az agent teljesítménye gyakran inkább az adathalmaz minőségén múlik, mint a kód finomságain. → Kód

jogász, állampolgárAz adathalmazok összeállítása szerzői jogi és adatvédelmi kérdéseket vet fel: kinek a műve, kinek a személyes adata került bele, és milyen engedéllyel. → Jog

Gyakori félreértés

TévhitMinél nagyobb az adathalmaz, annál jobb lesz az AI.

ValójábanA méret önmagában nem elég: egy kisebb, de pontos és kiegyensúlyozott adathalmaz gyakran jobb modellt ad, mint egy hatalmas, de hibás vagy egyoldalú.

Korlátok és kockázatok

Az adathalmaz mindig csak egy szelete a valóságnak: ami kimaradt belőle, arról a modell nem tud, vagy rosszul tippel.
Ha az adatok torzítottak, például egy csoport alig szerepel bennük, a modell is hajlamos lesz igazságtalanul dönteni.
Az adathalmaz elavul: a tegnapi adatokon tanult modell önmagában nem ismeri a mai árakat, szavakat és szokásokat.
Sok adathalmaz eredete és jogi háttere tisztázatlan, ezért mielőtt céges célra használnál egyet, nézd meg a licencét és azt, hogy van-e benne személyes adat.

Hasonló, de nem ugyanaz

adatbázis – Az adatbázis lekérdezhető, jellemzően folyamatosan frissülő tárolórendszer, az adathalmaz viszont egy adott célra összeállított, többnyire rögzített adatgyűjtemény.
tanítóadat – A tanítóadat az adathalmaznak csak az a része, amelyből a modell tanul; az adathalmazhoz tartozhat validációs és teszt rész is.
benchmark – A benchmark olyan adathalmaz és mérési szabály együttese, amellyel modelleket hasonlítanak össze, tehát vizsgáztatásra szolgál, nem tanításra.

Kapcsolódó fogalmak

Tágabb

adat, gépi tanulás, adatkezelés

Szűkebb

tanítóadat, tesztadat, validációs adat, szintetikus adat, benchmark

Rokon

adatcímkézés, torzítás, adattisztítás, finomhangolás, adatminőség

Röviden a története

Adatgyűjteményeket a statisztika régóta használ: Ronald Fisher 1936-ban közölt íriszvirág-adatait ma is tanítják. A mai AI-hullám egyik mérföldköve a 2009-ben bemutatott ImageNet képgyűjtemény volt. Az ezen tanított AlexNet modell 2012-ben megmutatta, hogy egy nagy, felcímkézett adathalmaz ugrásszerűen javíthatja a képfelismerést.

Hol tart most

2026 végén minden gépi tanuláson alapuló AI-rendszer adathalmazokra épül, és nyilvános gyűjtemények sokasága érhető el megosztóoldalakon, például a Hugging Face-en vagy a Kaggle-en. A figyelem a puszta mennyiségről egyre inkább a minőségre, az eredet átláthatóságára és a jogszerűségre tolódik. Az EU MI-rendelete 2025 augusztusa óta az általános célú modellek szolgáltatóitól a tanítási tartalom nyilvános összefoglalóját is megköveteli.

Állapot: 2026. november

A hírekben

4 Agent Age-sztoriban fordul elő; a görbe a hírmagazin heti előfordulása.

A Jamendo ismét perli az Nvidiát Kaliforniában kutatási célú zenei adathalmaz kereskedelmi célú AI-tanításra való felhasználása miatt2026. okt. 12. · Jog
Kutatás: egyre több AI-agent review-zza más AI-agentek kódját GitHubon2026. aug. 25. · Kód
Északi AI-egészségügyi kezdeményezés: föderált adatinfrastruktúra az orvosi AI-hoz2026. aug. 15. · Egészség
AI-projektek erősítik az amerikai hálózatokat: alaszkai vidéki hálózatok, AWS–PNNL2026. aug. 10. · Ipar

Más nevei

adathalmaz · adatkészlet · adatállomány · adatszett · dataset · data set · tanító adathalmaz · training dataset

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.