Ein Unternehmen trainiert ein Foundation Model und muss dessen Genauigkeit auf ein bestimmtes Akzeptanzniveau anheben. Welche Maßnahme wird dies erreichen?

Das Erhöhen der Anzahl der Trainings-Epochen ermöglicht es dem Modell, die Trainingsdaten mehrmals zu durchlaufen und dabei die Gewichte und Biases anzupassen. Dies führt in der Regel zu einer besseren Lernleistung und damit zu einer höheren Genauigkeit, bis ein Punkt des Overfittings erreicht wird. Das Verringern der Batch-Größe kann die Konvergenz beschleunigen, garantiert aber keine höhere Genauigkeit. Das Verringern der Trainings-Epochen würde das Modell untertrainieren und die Genauigkeit reduzieren. Das Erhöhen des Temperaturparameters würde die Zufälligkeit der Modellausgaben erhöhen, was die Genauigkeit bei Aufgaben, die deterministische Antworten erfordern, eher verschlechtern würde.