Taille de lot
Données & entraînementNombre d'exemples traités simultanément par un modèle d'IA lors de l'apprentissage.
Explication
La taille de lot désigne le nombre de données (images, textes, etc.) que le modèle d'IA analyse en une seule fois pendant son entraînement. Plus ce nombre est élevé, plus le modèle peut apprendre rapidement des tendances générales, mais cela demande aussi plus de ressources informatiques. À l'inverse, un petit lot permet des ajustements plus précis, mais l'apprentissage est plus lent et peut être moins stable.
Ce paramètre influence directement la qualité et l'efficacité de l'entraînement. Par exemple, pour reconnaître des chats dans des photos, un lot de 32 images permettra au modèle de mettre à jour ses paramètres après avoir vu ces 32 exemples, avant de passer au lot suivant.
Choisir la bonne taille de lot dépend des ressources disponibles et de la complexité de la tâche. Les outils d'IA grand public masquent souvent ce réglage, mais il reste crucial pour les professionnels qui entraînent leurs propres modèles.
Cas d'usage
- ✓Optimiser la vitesse d'entraînement d'un modèle de classification d'images
- ✓Réduire la consommation mémoire lors de l'apprentissage sur un petit serveur
- ✓Améliorer la précision d'un modèle en ajustant finement ses paramètres
- ✓Adapter un modèle à un jeu de données très volumineux