AI Ordbog
Curriculum learning
Træningsteknik hvor AI-modeller lærer gradvist fra let til svært.
Skrevet og redigeret af Kristian Primdal · Sidst opdateret 18. marts 2026Indhold
Hvad er curriculum learning?
Curriculum learning er en træningsteknik hvor en AI-model præsenteres for data i en meningsfuld rækkefølge (typisk fra lette til sværere eksempler) i stedet for i tilfældig rækkefølge. Idéen er inspireret af menneskelig uddannelse: børn lærer først bogstaver, derefter ord, derefter sætninger, derefter essays.
Begrebet blev formaliseret af Yoshua Bengio i 2009, men idéen er intuitiv. Ligesom en studerende lærer bedre med et struktureret pensum end ved at læse tilfældige sider i en lærebog, lærer en AI-model hurtigere og bedre når træningseksemplerne er ordnet efter sværhedsgrad.
Standard maskinlæring præsenterer typisk data i tilfældig rækkefølge. Curriculum learning bryder med denne konvention og viser at rækkefølgen af data kan være lige så vigtig som selve dataen.
Hvordan fungerer curriculum learning?
- Definer sværhedsgrad. Først skal hvert træningseksempel tildeles en sværhedsgrad. Det kan gøres manuelt (eksperter vurderer) eller automatisk (modellens fejl på eksemplet bruges som mål for sværhed).
- Start let. Modellen trænes først på de lettest eksempler. For billedgenkendelse kan det være klare, veltydelige billeder. For sprogforståelse kan det være korte, simple sætninger.
- Øg gradvist. Over tid introduceres sværere eksempler. Slørede billeder, komplekse sætninger, tvetydige cases.
- Fuld træning. Til sidst trænes modellen på hele datasættet inklusive de sværeste eksempler.
Fordele
- Hurtigere konvergens. Modellen når god præstation hurtigere fordi den opbygger grundlæggende forståelse før den tackles svære eksempler.
- Bedre generalisering. Forskning viser at curriculum learning kan føre til modeller der generaliserer bedre til nye data.
- Stabilitet. Træningen er mere stabil fordi modellen ikke tidligt i processen bombarderes med svære eksempler der kan føre til ustabile gradient-opdateringer.
Curriculum learning i praksis
- Sprogmodeller. Nogle forskningsteams sorterer træningsdata efter kvalitet og kompleksitet, med simple og velskrevne tekster først.
- Maskinoversættelse. Modellen starter med korte, simple sætninger og bevæger sig mod længere, mere komplekse oversættelser.
- Spil-AI. Agenten starter i lette scenarier og konfronteres gradvist med sværere modstandere og situationer.
- Computer vision. Modellen trænes først på klare billeder med tydelige objekter, derefter på sværere billeder med okklusion, dårlig belysning og komplekse scener.
Self-paced learning En variant af curriculum learning hvor modellen selv bestemmer hvad der er “let” og “svært” baseret på sin aktuelle præstation. Eksempler modellen klarer godt betragtes som lette, eksempler den fejler på betragtes som svære. Det gør curriculum learning mere automatiseret og adaptivt.
FAQ
Hvad er curriculum learning?
Curriculum learning er en maskinlæringsteknik hvor modellen trænes gradvist fra lette til sværere eksempler, ligesom et undervisningsforløb. Det kan forbedre trænningseffektivitet, konvergenshastighed og endelig modelkvalitet sammenlignet med tilfældig datapræsentation.
Gør curriculum learning altid modellen bedre?
Ikke altid. Effekten afhænger af opgaven, datasættet og hvordan sværhedsgraden defineres. For nogle opgaver er tilfældig datapræsentation lige så god eller bedre. Men for mange opgaver (især med heterogene eller støjfyldte datasæt) giver curriculum learning målbare forbedringer.
Hvem opfandt curriculum learning?
Begrebet blev formaliseret af Yoshua Bengio og kolleger i 2009, men idéen om at præsentere læringsmateriale i en struktureret rækkefølge er grundlæggende for al pædagogik og har rødder der rækker langt længere tilbage.