Taula de continguts[Amaga][Espectacle]
Molts s'imaginen robots com els de les pel·lícules de ciència ficció que imiten o fins i tot superen l'intel·lecte humà quan senten els termes intel·ligència artificial, aprenentatge profund i aprenentatge automàtic.
Altres pensen que aquests dispositius només prenen informació i n'aprenen pel seu compte. Bé... És una mica enganyós. L'etiquetatge de dades és el mètode utilitzat per entrenar els ordinadors perquè esdevinguin "intel·ligents", ja que tenen capacitats limitades sense instrucció humana.
Per entrenar l'ordinador perquè actuï "de manera intel·ligent", introduïm les dades de diverses formes i li ensenyem diverses estratègies amb l'ajuda de l'etiquetatge de dades.
Els conjunts de dades s'han d'anotar o etiquetar amb nombroses permutacions de la mateixa informació com a part de la ciència subjacent a l'etiquetatge de dades.
L'esforç i la dedicació posats en el producte final són lloables, fins i tot quan sorprèn i ens facilita la vida diària.
Obteniu informació sobre l'etiquetatge de dades en aquest article per saber què és, com funciona, diferents tipus d'etiquetatge de dades, obstacles i molt més.
Aleshores, què és l'etiquetatge de dades?
In màquina d'aprenentatge, el calibre i la naturalesa de les dades d'entrada dicten el calibre i la naturalesa de la sortida. La precisió del vostre model d'IA es veu millorada pel calibre de les dades utilitzades per entrenar-lo.
En altres termes, l'etiquetatge de dades és l'acte d'etiquetar o anotar diferents conjunts de dades no estructurades o estructurades per tal d'ensenyar a un ordinador a identificar diferències i patrons entre ells.
Una il·lustració us ajudarà a entendre-ho. Cal etiquetar cada llum vermella en una varietat d'imatges perquè l'ordinador aprengui que la llum vermella és un senyal per aturar-se.
Sobre la base d'això, AI desenvolupa un algorisme que, en cada situació, interpretarà una llum vermella com una indicació d'aturada. Una altra il·lustració és la possibilitat de classificar diferents conjunts de dades sota els títols de jazz, pop, rock, clàssic i més per separar diferents gèneres musicals.
En poques paraules, l'etiquetatge de dades en l'aprenentatge automàtic es refereix al procés de detectar dades sense etiquetar (com ara fotos, fitxers de text, vídeos, etc.) i afegir una o més etiquetes rellevants per oferir context perquè un model d'aprenentatge automàtic pugui aprendre de això.
Les etiquetes podrien dir, per exemple, si una radiografia mostra un tumor o no, quines paraules es van dir en un clip d'àudio, o si una imatge d'un ocell o d'un automòbil.
L'etiquetatge de dades és essencial per a diversos casos d'ús, inclòs el reconeixement de veu, visió per computadora, i processament del llenguatge natural.
Etiquetatge de dades: per què és important?
En primer lloc, la quarta revolució industrial se centra en l'habilitat de les màquines d'entrenament. Com a resultat, es troba entre els avenços de programari més significatius del present.
S'ha de crear el vostre sistema d'aprenentatge automàtic, que implica l'etiquetatge de dades. Estableix les capacitats del sistema. No hi ha sistema si les dades no estan etiquetades.
Les possibilitats amb l'etiquetatge de dades només estan limitades per la vostra creativitat. Qualsevol acció que pugueu assignar al sistema es repetirà amb informació nova.
Això vol dir que el tipus, la quantitat i la diversitat de dades que podeu ensenyar al sistema determinaran la seva intel·ligència i capacitat.
El segon és que el treball d'etiquetatge de dades va abans del treball de ciència de dades. En conseqüència, l'etiquetatge de dades és necessari per a la ciència de dades. Els errors i errors en l'etiquetatge de dades afecten la ciència de dades. Alternativament, per emprar un tòpic més cru, "trau les escombraries, les escombraries".
En tercer lloc, The Art of Data Labeling significa un canvi en la manera com les persones s'afronten al desenvolupament de sistemes d'IA. Simultàniament, perfeccionem l'estructura de l'etiquetatge de dades per assolir millor els nostres objectius en lloc d'intentar només millorar les tècniques matemàtiques.
L'automatització moderna es basa en això, i és el centre de la transformació de l'IA en curs. Ara més que mai, el treball del coneixement s'està mecanitzant.
Com funciona l'etiquetatge de dades?
Durant el procediment d'etiquetatge de dades es segueix l'ordre cronològic següent.
Recollida de dades
Les dades són la pedra angular de qualsevol esforç d'aprenentatge automàtic. L'etapa inicial de l'etiquetatge de dades consisteix a reunir la quantitat adequada de dades en brut en diferents formes.
La recopilació de dades pot adoptar una de les dues formes següents: o bé prové de fonts internes que l'empresa ha estat utilitzant, o bé prové de fonts externes d'accés públic.
Com que estan en forma bruta, aquestes dades s'han de netejar i processar abans de fer les etiquetes del conjunt de dades. A continuació, s'entrena el model utilitzant aquestes dades netes i preprocessades. Les troballes seran més precises com més gran i variat sigui el conjunt de dades.
Anotar dades
Després de la neteja de dades, els experts del domini examinen les dades i apliquen etiquetes mitjançant diverses tècniques d'etiquetatge de dades. El model té un context significatiu que es pot utilitzar com a veritat bàsica.
Aquestes són les variables que voleu que predigui el model, com ara les fotos.
Garantia de qualitat
La qualitat de les dades, que han de ser fiables, precises i coherents, és crucial per a l'èxit de l'entrenament del model ML. S'han d'implementar proves de control de qualitat periòdiques per tal de garantir l'etiquetatge exacte i correcte de les dades.
És possible avaluar la precisió d'aquestes anotacions mitjançant tècniques de control de qualitat com el test alfa de Consens i Cronbach. La correcció dels resultats es millora considerablement amb les inspeccions de control de qualitat de rutina.
Models d'entrenament i prova
Els procediments esmentats només tenen sentit si es comprova la correcció de les dades. La tècnica es posarà a prova mitjançant la inclusió del conjunt de dades no estructurades per comprovar si dóna els resultats desitjats.
Estratègies d'etiquetatge de dades
L'etiquetatge de dades és un procés laboriós que requereix atenció als detalls. El mètode utilitzat per anotar les dades variarà en funció de la declaració del problema, quantes dades s'han d'etiquetar, com de complicades són les dades i l'estil.
Repassem algunes de les opcions de què disposa la teva empresa, en funció dels recursos de què disposa i del temps de què disposa.
Etiquetatge de dades a casa
Com el seu nom indica, l'etiquetatge de dades intern el fan experts dins d'una empresa. Quan disposeu de temps, personal i recursos econòmics suficients, és la millor opció, ja que garanteix l'etiquetatge més precís. No obstant això, es mou lentament.
Outsourcing
Una altra opció per fer les coses és contractar autònoms per a tasques d'etiquetatge de dades que es puguin descobrir en diversos mercats de recerca de feina i autònoms com Upwork.
L'externalització és una opció ràpida per obtenir serveis d'etiquetatge de dades, però la qualitat podria patir, similar al mètode anterior.
Crowdsourcing
Podeu iniciar sessió com a sol·licitant i distribuir diversos treballs d'etiquetatge als contractistes disponibles en plataformes especialitzades de crowdsourcing com ara Amazon mecànica turca (MTurk).
El mètode, tot i que és una mica ràpid i econòmic, no pot proporcionar dades anotades de bona qualitat.
Etiquetatge de dades automàticament.
El procediment pot ser ajudat per programari a més de realitzar-se manualment. Mitjançant l'enfocament d'aprenentatge actiu, les etiquetes es poden trobar i afegir automàticament al conjunt de dades d'entrenament.
En essència, els especialistes humans desenvolupen un model d'etiqueta automàtica d'IA per marcar dades sense etiquetar i en brut. Aleshores decideixen si el model va aplicar adequadament l'etiquetatge. Els humans corregeixen els errors després d'una fallada i tornen a entrenar l'algorisme.
Desenvolupament de dades sintètiques.
En lloc de dades del món real, dades sintètiques és un conjunt de dades etiquetat que es va fabricar artificialment. Es produeix mitjançant algorismes o simulacions per ordinador i s'utilitza amb freqüència entrenar models d'aprenentatge automàtic.
Les dades sintètiques són una resposta excel·lent als problemes d'escassetat i varietat de dades en el context dels procediments d'etiquetatge. La creació de dades sintètiques des de zero ofereix una solució.
Els desenvolupadors de conjunts de dades han de ser capaços de reconèixer la creació de paràmetres 3D amb els elements i l'entorn del model. Es poden representar tantes dades sintètiques com siguin necessàries per al projecte.
Reptes de l'etiquetatge de dades
Requereix més temps i esforç
A més de ser un repte obtenir grans quantitats de dades (sobretot per a indústries altament especialitzades com la sanitària), etiquetar cada dada a mà és laboriós i laboriós, i requereix l'assistència d'etiquetadors humans.
Gairebé el 80% del temps dedicat a un projecte durant tot el cicle de desenvolupament d'ML es dedica a la preparació de dades, que inclou l'etiquetatge.
Possibilitat d'incoherència
La majoria de les vegades, l'etiquetatge creuat, que passa quan moltes persones etiqueten els mateixos conjunts de dades, dóna com a resultat una major precisió.
No obstant això, com que les persones de vegades tenen diferents graus de competència, els estàndards d'etiquetatge i les etiquetes poden ser inconsistents, que és un altre problema, és possible que dos o més anotadors no estiguin d'acord en algunes etiquetes.
Per exemple, un expert podria valorar una revisió d'hotel com a favorable mentre que un altre la consideraria sarcàstica i li assignaria una puntuació baixa.
Coneixement del domini
Sentiràs la necessitat de contractar etiquetadors amb coneixements especialitzats del sector per a alguns sectors.
Els anotadors sense els coneixements de domini necessaris, per exemple, tindran dificultats per etiquetar els elements de manera adequada mentre creen una aplicació de ML per al sector sanitari.
Propens a l'error
L'etiquetatge manual està subjecte a errors humans, independentment del coneixement i la cura dels vostres etiquetadors. A causa del fet que els anotadors treballen sovint amb conjunts de dades en brut enormes, això és inevitable.
Imagineu una persona anotant 100,000 imatges amb fins a 10 coses diferents.
Tipus habituals d'etiquetatge de dades
Visió per ordinador
Per desenvolupar el vostre conjunt de dades d'entrenament, primer heu d'etiquetar imatges, píxels o punts clau, o establir un límit que tanqui completament una imatge digital, coneguda com a quadre delimitador, quan creeu un sistema de visió per ordinador.
Les fotografies es poden classificar de diverses maneres, com ara el contingut (el que hi ha realment a la imatge en si) i la qualitat (com ara fotografies de producte i estil de vida).
Les imatges també es poden dividir en segments a nivell de píxels. El model de visió per ordinador desenvolupat amb aquestes dades d'entrenament es pot utilitzar posteriorment per classificar automàticament imatges, determinar la ubicació dels objectes, ressaltar àrees clau en una imatge i segmentar imatges.
Processament del llenguatge natural
Abans de produir el vostre conjunt de dades de formació de processament del llenguatge natural, heu de triar manualment fragments de text rellevants o classificar el material amb etiquetes especificades.
Per exemple, podeu reconèixer patrons de parla, classificar noms propis com ara llocs i persones i identificar text en imatges, PDF o altres mitjans. També és possible que vulgueu determinar el sentiment o la intenció d'una informació de text.
Creeu quadres delimitadors al voltant del text del vostre conjunt de dades d'entrenament per aconseguir-ho i, a continuació, transcriviu-lo manualment.
Reconeixement òptic de caràcters, la identificació del nom de l'entitat i l'anàlisi de sentiments es realitzen mitjançant models de processament de llenguatge natural.
Processament d'Àudio
El processament d'àudio transforma tot tipus de sons en un format estructurat perquè es puguin utilitzar en l'aprenentatge automàtic, com ara la parla, els sorolls d'animals (lladrucs, xiulets o xiulets) i els sorolls d'edificis (vidres trencats, escaneig o sirenes).
Sovint, abans de poder gestionar l'àudio, heu de convertir-lo manualment en text. Després, classificant i afegint etiquetes a l'àudio, podeu obtenir informació més detallada al respecte. El teu conjunt de dades de formació és aquest àudio classificat.
Conclusió
En conclusió, identificar les vostres dades és una part crucial de l'entrenament de qualsevol model d'IA. Una organització de ritme ràpid, però, simplement no es pot permetre el luxe de dedicar temps a fer-ho manualment perquè requereix temps i consum energètic.
A més, és un procediment que és propens a la imprecisió i no promet una gran precisió. No ha de ser tan difícil, que és una excel·lent notícia.
Les tecnologies d'etiquetatge de dades actuals permeten la col·laboració entre humans i màquines per proporcionar dades precises i útils per a una varietat d'aplicacions d'aprenentatge automàtic.
Deixa un comentari