Table des matières[Cacher][Montrer]
Beaucoup imaginent des robots comme ceux des films de science-fiction qui imitent ou même surpassent l'intellect humain lorsqu'ils entendent les termes intelligence artificielle, apprentissage en profondeur et apprentissage automatique.
D'autres pensent que ces appareils ne font qu'enregistrer des informations et en tirer des enseignements par eux-mêmes. Eh bien… C'est un peu trompeur. L'étiquetage des données est la méthode utilisée pour entraîner les ordinateurs à devenir "intelligents", car ils ont des capacités limitées sans instruction humaine.
Pour entraîner l'ordinateur à agir «intelligemment», nous saisissons les données sous différentes formes et lui enseignons diverses stratégies à l'aide de l'étiquetage des données.
Les ensembles de données doivent être annotés ou étiquetés avec de nombreuses permutations de la même information dans le cadre de l'étiquetage scientifique sous-jacent des données.
L'effort et le dévouement mis dans le produit final sont louables, même s'ils surprennent et facilitent notre quotidien.
Découvrez l'étiquetage des données dans cet article pour savoir ce que c'est, comment il fonctionne, les différents types d'étiquetage des données, les obstacles et bien plus encore.
Alors, qu'est-ce que l'étiquetage des données ?
In machine learning, le calibre et la nature des données d'entrée dictent le calibre et la nature de la sortie. La précision de votre modèle d'IA est améliorée par la qualité des données utilisées pour l'entraîner.
En d'autres termes, l'étiquetage des données est l'acte d'étiqueter ou d'annoter différents ensembles de données non structurées ou structurées afin d'apprendre à un ordinateur à identifier les différences et les modèles entre eux.
Une illustration vous aidera à comprendre cela. Il est nécessaire d'étiqueter chaque feu rouge dans une variété d'images pour que l'ordinateur apprenne que le feu rouge est un signal d'arrêt.
Sur cette base, l'IA développe un algorithme qui, dans chaque situation, interprétera un feu rouge comme une indication d'arrêt. Une autre illustration est la possibilité de catégoriser différents ensembles de données sous les rubriques jazz, pop, rock, classique, etc. pour séparer différents genres musicaux.
Pour le dire simplement, l'étiquetage des données dans l'apprentissage automatique fait référence au processus de détection de données non étiquetées (telles que des photos, des fichiers texte, des vidéos, etc.) et à l'ajout d'une ou plusieurs étiquettes pertinentes pour offrir un contexte afin qu'un modèle d'apprentissage automatique puisse apprendre de ce.
Les étiquettes pourraient indiquer, par exemple, si une radiographie montre une tumeur ou non, quels mots ont été prononcés dans un clip audio, ou s'il s'agit d'une image d'oiseau ou d'une automobile.
L'étiquetage des données est essentiel pour un certain nombre de cas d'utilisation, y compris la reconnaissance vocale, vision par ordinateur, et le traitement du langage naturel.
Étiquetage des données : pourquoi est-ce important ?
Premièrement, la quatrième révolution industrielle est centrée sur la compétence des machines d'entraînement. En conséquence, il se classe parmi les avancées logicielles les plus importantes du moment.
Votre système d'apprentissage automatique doit être créé, ce qui implique l'étiquetage des données. Il établit les capacités du système. Il n'y a pas de système si les données ne sont pas étiquetées.
Les possibilités d'étiquetage des données ne sont limitées que par votre créativité. Toute action que vous pouvez mapper dans le système se répétera avec de nouvelles informations.
Cela signifie que le type, la quantité et la diversité des données que vous pouvez enseigner au système détermineront son intelligence et sa capacité.
La seconde est que le travail d'étiquetage des données vient avant le travail de science des données. En conséquence, l'étiquetage des données est nécessaire pour la science des données. Les échecs et les erreurs dans l'étiquetage des données affectent la science des données. Alternativement, pour employer un cliché plus grossier, "déchets dedans, déchets de sortie".
Troisièmement, The Art of Data Labeling signifie un changement dans la façon dont les gens abordent le développement de systèmes d'IA. Nous affinons simultanément la structure de l'étiquetage des données pour mieux atteindre nos objectifs plutôt que de tenter uniquement d'améliorer les techniques mathématiques.
L'automatisation moderne est basée sur cela, et c'est le centre de la transformation de l'IA actuellement en cours. Aujourd'hui plus que jamais, le travail du savoir se mécanise.
Comment fonctionne l'étiquetage des données ?
L'ordre chronologique suivant est suivi pendant la procédure d'étiquetage des données.
Collecte de données
Les données sont la pierre angulaire de toute entreprise d'apprentissage automatique. La première étape de l'étiquetage des données consiste à rassembler la quantité appropriée de données brutes sous différentes formes.
La collecte de données peut prendre l'une des deux formes suivantes : soit elles proviennent de sources internes que l'entreprise a utilisées, soit elles proviennent de sources externes accessibles au public.
Puisqu'elles sont sous forme brute, ces données doivent être nettoyées et traitées avant que les étiquettes de l'ensemble de données ne soient créées. Le modèle est ensuite formé à l'aide de ces données nettoyées et prétraitées. Les résultats seront d'autant plus précis que l'ensemble de données sera grand et varié.
Annoter des données
Après le nettoyage des données, les experts du domaine examinent les données et appliquent des étiquettes à l'aide de plusieurs techniques d'étiquetage des données. Le modèle a un contexte significatif qui peut être utilisé comme vérité de terrain.
Ce sont les variables que vous voulez que le modèle prédise, comme les photos.
Garantie de qualité
La qualité des données, qui doivent être fiables, précises et cohérentes, est essentielle au succès de la formation du modèle ML. Des tests d'assurance qualité réguliers doivent être mis en place afin de garantir ces étiquetages de données exacts et corrects.
Il est possible d'évaluer l'exactitude de ces annotations en utilisant des techniques d'assurance qualité telles que le consensus et le test alpha de Cronbach. L'exactitude des résultats est considérablement améliorée par des inspections d'AQ de routine.
Modèles de formation et de test
Les procédures susmentionnées n'ont de sens que si l'exactitude des données est vérifiée. La technique sera mise à l'épreuve en incluant l'ensemble de données non structuré pour vérifier si elle donne les résultats souhaités.
Stratégies d'étiquetage des données
L'étiquetage des données est un processus laborieux qui exige une attention aux détails. La méthode utilisée pour annoter les données varie en fonction de l'énoncé du problème, de la quantité de données à étiqueter, de la complexité des données et du style.
Passons en revue certaines des options dont dispose votre entreprise, en fonction des ressources dont elle dispose et du temps dont elle dispose.
Étiquetage des données en interne
Comme son nom l'indique, l'étiquetage interne des données est effectué par des experts au sein d'une entreprise. Lorsque vous disposez de suffisamment de temps, de personnel et de ressources financières, c'est la meilleure option car elle garantit l'étiquetage le plus précis. Cependant, il se déplace lentement.
Extériorisation
Une autre option pour faire avancer les choses consiste à embaucher des pigistes pour des tâches d'étiquetage de données qui peuvent être découverts sur divers marchés de recherche d'emploi et de pigistes comme Upwork.
L'externalisation est une option rapide pour obtenir des services d'étiquetage de données, cependant, la qualité pourrait en souffrir, comme avec la méthode précédente.
Crowdsourcing
Vous pouvez vous connecter en tant que demandeur et distribuer divers travaux d'étiquetage aux sous-traitants disponibles sur des plateformes de crowdsourcing spécialisées telles que Turc mécanique d'Amazon (MTurc).
La méthode, bien qu'un peu rapide et peu coûteuse, ne peut pas fournir des données annotées de bonne qualité.
Étiquetage automatique des données.
La procédure peut être assistée par un logiciel en plus d'être effectuée manuellement. En utilisant l'approche d'apprentissage actif, les balises peuvent être automatiquement trouvées et ajoutées à l'ensemble de données de formation.
Essentiellement, des spécialistes humains développent un modèle d'étiquetage automatique de l'IA pour marquer les données brutes non étiquetées. Ensuite, ils décident si le modèle a correctement appliqué l'étiquetage. Les humains corrigent les erreurs après un échec et recyclent l'algorithme.
Développement de données synthétiques.
Au lieu de données du monde réel, données synthétiques est un jeu de données étiqueté qui a été fabriqué artificiellement. Il est produit par des algorithmes ou des simulations informatiques et est fréquemment utilisé pour former des modèles d'apprentissage automatique.
Les données synthétiques sont une excellente réponse aux problèmes de rareté et de variété des données dans le cadre des procédures de labellisation. La création de données synthétiques à partir de zéro offre une solution.
La création de paramètres 3D avec les éléments et entourant le modèle doit pouvoir être reconnue par les développeurs de jeux de données. Autant de données synthétiques que nécessaire pour le projet peuvent être rendues.
Défis de l'étiquetage des données
Nécessite plus de temps et d'efforts
En plus d'être difficile à obtenir de grandes quantités de données (en particulier pour les industries hautement spécialisées comme les soins de santé), l'étiquetage manuel de chaque donnée est à la fois laborieux et laborieux, nécessitant l'aide d'étiqueteurs humains.
Près de 80 % du temps consacré à un projet sur l'ensemble du cycle de développement ML est consacré à la préparation des données, qui comprend l'étiquetage.
Possibilité d'incohérence
La plupart du temps, l'étiquetage croisé, qui se produit lorsque de nombreuses personnes étiquettent les mêmes ensembles de données, se traduit par une plus grande précision.
Cependant, comme les individus ont parfois des degrés de compétence variables, les normes d'étiquetage et les étiquettes elles-mêmes peuvent être incohérentes, ce qui est un autre problème. Il est possible que deux annotateurs ou plus soient en désaccord sur certaines balises.
Par exemple, un expert pourrait évaluer une critique d'hôtel comme favorable tandis qu'un autre la considérerait comme sarcastique et lui attribuerait une note faible.
Connaissance du domaine
Vous sentirez la nécessité d'embaucher des étiqueteurs ayant des connaissances spécialisées dans certains secteurs.
Les annotateurs sans les connaissances nécessaires du domaine, par exemple, auront beaucoup de mal à baliser correctement les éléments lors de la création d'une application ML pour le secteur de la santé.
Tendance aux erreurs
L'étiquetage manuel est sujet à des erreurs humaines, quelles que soient les connaissances et la prudence de vos étiqueteurs. En raison du fait que les annotateurs travaillent fréquemment avec d'énormes ensembles de données brutes, cela est inévitable.
Imaginez une personne annotant 100,000 10 images avec jusqu'à XNUMX choses différentes.
Types courants d'étiquetage des données
Vision par ordinateur
Pour développer votre ensemble de données d'entraînement, vous devez d'abord étiqueter des images, des pixels ou des points clés, ou établir une limite qui entoure complètement une image numérique, appelée boîte englobante, lors de la création d'un système de vision par ordinateur.
Les photographies peuvent être classées de différentes manières, notamment en fonction du contenu (ce qui se trouve réellement dans l'image elle-même) et de la qualité (comme les photos de produits par rapport au style de vie).
Les images peuvent également être divisées en segments au niveau du pixel. Le modèle de vision par ordinateur développé à l'aide de ces données d'entraînement peut ensuite être utilisé pour classer automatiquement les images, déterminer l'emplacement des objets, mettre en évidence les zones clés d'une image et segmenter les images.
Traitement du langage naturel
Avant de produire votre jeu de données d'entraînement au traitement du langage naturel, vous devez sélectionner manuellement les fragments textuels pertinents ou classer le matériel avec des étiquettes spécifiées.
Par exemple, vous pourriez vouloir reconnaître des modèles de discours, classer des noms propres comme des lieux et des personnes, et identifier du texte dans des images, des PDF ou d'autres médias. Vous pouvez également vouloir déterminer le sentiment ou l'intention d'un texte de présentation.
Créez des cadres de délimitation autour du texte dans votre jeu de données d'entraînement pour y parvenir, puis transcrivez-le manuellement.
Reconnaissance optique de caractères, l'identification du nom d'entité et l'analyse des sentiments sont toutes effectuées à l'aide de modèles de traitement du langage naturel.
traitement audio
Le traitement audio transforme tous les types de sons dans un format structuré afin qu'ils puissent être utilisés dans l'apprentissage automatique, y compris la parole, les bruits d'animaux (aboiements, sifflets ou pépiements) et les bruits de construction (verre brisé, balayage ou sirènes).
Souvent, avant de pouvoir gérer l'audio, vous devez le convertir manuellement en texte. Après cela, en catégorisant et en ajoutant des balises à l'audio, vous pouvez obtenir des informations plus détaillées à son sujet. Ton ensemble de données d'entraînement est-ce audio classifié.
Conclusion
En conclusion, l'identification de vos données est un élément crucial de la formation de tout modèle d'IA. Cependant, une organisation au rythme rapide ne peut tout simplement pas se permettre de passer du temps à le faire manuellement, car cela prend du temps et consomme beaucoup d'énergie.
De plus, il s'agit d'une procédure sujette à l'imprécision et qui ne promet pas une grande précision. Cela ne doit pas être si difficile, ce qui est une excellente nouvelle.
Les technologies d'étiquetage de données d'aujourd'hui permettent la collaboration entre les humains et les machines afin de fournir des données précises et utiles pour une variété d'applications d'apprentissage automatique.
Soyez sympa! Laissez un commentaire