veszteségfüggvény
angolul: loss function
A veszteségfüggvény egy számmal megmutatja, mekkorát tévedett az AI-modell; a tanítás célja, hogy ez a szám minél kisebb legyen.
Érthetően
Képzeld el, hogy dartsozni tanulsz, és minden dobás után valaki megmondja, hány centire állt meg a nyíl a tábla közepétől. Ez a távolság a te „veszteséged”: minél kisebb, annál jobb a dobás. A veszteségfüggvény ugyanezt teszi az AI-modellel: minden válasz után kiszámolja, mennyire volt messze a helyestől.
Erre azért van szükség, mert a gép nem érti azt, hogy „majdnem jó” vagy „ez elég gyenge volt”. Csak számokkal tud dolgozni, ezért a hibát is számmá kell alakítani. Ebből az egy számból tudja a tanító eljárás, hogy merre kell a modellt igazítani.
A veszteségfüggvény nem maga a tanulás, hanem a mérce, amihez a tanulás igazodik. Az emberek választják ki, és ezzel azt is eldöntik, mit tekint a modell hibának. Amit a mérce nem büntet, azt a modell nem is fogja kerülni.
Hogyan működik
- A modell kap egy tanítópéldát, és ad rá egy választ: például megtippeli egy lakás árát, vagy a mondat következő szavát.
- A veszteségfüggvény összeveti ezt a választ a helyes megoldással, és a különbséget egyetlen számmá alakítja: kis hiba kis szám, nagy hiba nagy szám.
- A tanító eljárás kiszámolja, hogy a modell belső beállításait (a súlyokat) merre kell egy kicsit elmozdítani, hogy ez a szám csökkenjen.
- A beállítások egy apró lépéssel módosulnak, majd jön a következő adag példa (a gyakorlatban a modell egyszerre több példát kap). Ez a kör nagy modelleknél több százezerszer vagy milliószor megismétlődik.
- A fejlesztők közben figyelik a veszteség alakulását: ha csökken, a modell tanul; ha megáll, a modell vagy kitanulta, amit tudott, vagy elakadt; ha nőni kezd, valamin változtatni kell.
Példa a mindennapokból
Amikor a telefonod billentyűzete felajánlja a következő szót, egy olyan modell dolgozik, amelyet úgy tanítottak, hogy minden rossz tippért „büntetést” kapott. A veszteségfüggvény mérte, mennyire lőtt mellé a valóban leírt szóhoz képest, és a modell addig igazodott, amíg a tippjei egyre többször találtak.
Kit érint
Gyakori félreértés
Korlátok és kockázatok
- A veszteségfüggvény csak azt méri, amit számmá lehet alakítani; a méltányosságot, az igazságot vagy a hasznosságot nehéz egyetlen képletbe sűríteni.
- A modell a mércét teljesíti, nem a szándékodat: ha a mérce rosszul van megválasztva, a gép kiskapukat talál, és papíron jó, a gyakorlatban használhatatlan lesz.
- Ha a tanítópéldákon mért veszteséget túl alacsonyra szorítják, az túltanuláshoz vezethet: a modell bemagolja a példákat, és új adatokon gyengén teljesít. Ezért a veszteséget külön félretett ellenőrző adatokon is mérik.
- A veszteség értéke önmagában nem mond sokat; csak akkor hasonlítható össze, ha ugyanazon a feladaton, ugyanazokon az adatokon és ugyanazzal a mércével mérték.
Hasonló, de nem ugyanaz
- pontosság (accuracy) – A pontosság embereknek szóló, utólagos mutató arról, hány válasz volt helyes, a veszteségfüggvény viszont a tanítást vezérlő belső mérce, amely azt is számolja, mennyire volt rossz a rossz válasz.
- gradiensereszkedés – A veszteségfüggvény megmondja, mekkora a hiba, a gradiensereszkedés pedig az az eljárás, amely lépésről lépésre csökkenti.
- jutalomfüggvény – A megerősítéses tanulásban a jutalmat növelni kell, és az a cselekvések következményét értékeli, míg a veszteséget csökkenteni kell, és az a választ veti össze a helyes megoldással.
Kapcsolódó fogalmak
gépi tanulás, modelltanítás, optimalizálás
keresztentrópia, átlagos négyzetes hiba
gradiensereszkedés, hibavisszaterjesztés, túltanulás, jutalomfüggvény, finomhangolás
Röviden a története
A hiba számszerű mérésének és csökkentésének gondolata a statisztikából ered: Adrien-Marie Legendre 1805-ben tette közzé a legkisebb négyzetek módszerét. A neurális hálók tanításában a hibavisszaterjesztés 1986-os népszerűsítése óta központi szerepe van.
Hol tart most
2026 végén gyakorlatilag minden neurális hálóra épülő modell, a nagy nyelvi modelleket is beleértve, veszteségfüggvény csökkentésével tanul. A kutatás ma inkább arról szól, hogyan lehet olyan mércét választani, amely jobban egyezik az emberi szándékkal.
A hírekben
- Az EKB a pénzügyi stabilitási kockázatok között jelzi az AI-részvények értékeltségét2026. nov. 2. · Pénz
- Az Anthropic benyújtotta az IPO-kérelmét, az első tőzsdére lépő fejlett AI-labor lehet2026. okt. 26. · Agent Age
- Amerikai állami elemzések: Nevada, Maine és Indiana az AI munkaerőpiaci hatásairól2026. okt. 26. · Munka és HR
- Az AI-modellek a pénzügyi tanácsadási tesztben az esetek 57 százalékában tévedtek2026. okt. 26. · Pénz
- Szilárdtest-transzformátorok segíthetnek az AI-boom áramellátásában2026. okt. 26. · Ipar
- Az Anthropic benyújtotta az IPO-prospektust, a történelem egyik legnagyobb bevezetésére készül2026. okt. 19. · Agent Age
- Deepfake-es vezetői csalások: 95 milliós veszteség, FBI-adat, INTERPOL és KeyBank figyelmeztetés2026. okt. 19. · Pénz
- Az Anthropic tőzsdei tájékoztatója az emberiség létét fenyegető kockázatra figyelmeztet2026. szept. 28. · Agent Age
Más nevei
veszteségfüggvény · veszteség · hibafüggvény · költségfüggvény · célfüggvény · loss function · loss · cost function
Források
A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.