Índice analítico[Ocultar][Mostrar]
Moitos imaxinan robots como os das películas de ciencia ficción que imitan ou incluso superan o intelecto humano cando escoitan os termos intelixencia artificial, aprendizaxe profunda e aprendizaxe automática.
Outros pensan que estes dispositivos simplemente captan información e aprenden dela por si mesmos. Ben... É un pouco enganoso. A etiquetaxe de datos é o método usado para adestrar os ordenadores para que se volvan "intelixentes", xa que teñen capacidades limitadas sen instrución humana.
Para adestrar o ordenador para que actúe de forma "intelixente", introducimos os datos de varias formas e ensinámoslle varias estratexias coa axuda da etiquetaxe de datos.
Os conxuntos de datos deben anotarse ou etiquetarse con numerosas permutacións da mesma información como parte da ciencia subxacente á etiquetaxe de datos.
O esforzo e a dedicación que se pon no produto final son loables, aínda que sorprende e facilita a nosa vida cotiá.
Obtén información sobre a etiquetaxe de datos neste artigo para saber que é, como funciona, diferentes tipos de etiquetado de datos, obstáculos e moito máis.
Entón, que é a etiquetaxe de datos?
In aprendizaxe de máquina, o calibre e a natureza dos datos de entrada ditan o calibre e a natureza da saída. A precisión do teu modelo de IA é mellorada polo calibre dos datos utilizados para adestralo.
Noutros termos, o etiquetado de datos é o acto de etiquetar ou anotar diferentes conxuntos de datos non estruturados ou estruturados para ensinarlle a un ordenador a identificar diferenzas e patróns entre eles.
Unha ilustración axudarache a comprender isto. É necesario etiquetar cada luz vermella nunha variedade de imaxes para que o ordenador aprenda que a luz vermella é un sinal para deter.
En base a isto, a IA desenvolve un algoritmo que, en cada situación, interpretará unha luz vermella como unha indicación de parada. Outra ilustración é a capacidade de categorizar diferentes conxuntos de datos baixo os títulos de jazz, pop, rock, clásico e moito máis para separar diferentes xéneros musicais.
En palabras simples, a etiquetaxe de datos na aprendizaxe automática refírese ao proceso de detectar datos sen etiquetar (como fotos, ficheiros de texto, vídeos, etc.) e engadir unha ou máis etiquetas relevantes para ofrecer contexto para que un modelo de aprendizaxe automática poida aprender de iso.
As etiquetas poderían dicir, por exemplo, se unha radiografía mostra un tumor ou non, que palabras se dixeron nun clip de audio ou se unha imaxe dun paxaro ou dun automóbil.
A etiquetaxe de datos é esencial para varios casos de uso, incluído o recoñecemento de voz, visión por computador, e procesamento da linguaxe natural.
Etiquetado de datos: por que é importante?
En primeiro lugar, a cuarta revolución industrial céntrase na habilidade das máquinas de adestramento. Como resultado, sitúase entre os avances de software máis significativos do presente.
Hai que crear o teu sistema de aprendizaxe automática, o que implica a etiquetaxe de datos. Establece as capacidades do sistema. Non hai sistema se os datos non están etiquetados.
As posibilidades coa etiquetaxe de datos só están limitadas pola túa creatividade. Calquera acción que poida asignar ao sistema repetirase con información nova.
O que significa que o tipo, a cantidade e a diversidade de datos que podes ensinar ao sistema determinarán a súa intelixencia e capacidade.
O segundo é que o traballo de etiquetado de datos está antes que o traballo de ciencia de datos. En consecuencia, a etiquetaxe dos datos é necesaria para a ciencia de datos. Os fallos e erros na etiquetaxe dos datos afectan á ciencia dos datos. Alternativamente, para empregar un cliché máis crudo, "lixo dentro, lixo fóra".
En terceiro lugar, The Art of Data Labeling significa un cambio na forma en que as persoas abordan o desenvolvemento de sistemas de IA. Simultáneamente, perfeccionamos a estrutura da etiquetaxe de datos para cumprir mellor os nosos obxectivos en lugar de tentar só mellorar as técnicas matemáticas.
A automatización moderna baséase nisto, e é o centro da transformación da intelixencia artificial que está actualmente en marcha. Agora máis que nunca mecanizase o traballo do coñecemento.
Como funciona a etiquetaxe de datos?
Durante o procedemento de etiquetado de datos séguese a seguinte orde cronolóxica.
Recollida de datos
Os datos son a pedra angular de calquera esforzo de aprendizaxe automática. A etapa inicial da etiquetaxe de datos consiste en recoller a cantidade adecuada de datos brutos en diferentes formas.
A recollida de datos pode adoptar unha de dúas formas: ou ben procede de fontes internas que estivo utilizando a empresa ou ben de fontes externas accesibles ao público.
Dado que están en formato bruto, estes datos deben ser limpos e procesados antes de que se fagan as etiquetas do conxunto de datos. Despois adestrase o modelo usando estes datos limpos e preprocesados. As conclusións serán máis precisas canto máis grande e variado sexa o conxunto de datos.
Anotación de datos
Despois da limpeza dos datos, os expertos do dominio examinan os datos e aplican etiquetas utilizando varias técnicas de etiquetado de datos. O modelo ten un contexto significativo que se pode utilizar como verdade de fondo.
Estas son as variables que queres que o modelo prediga, como as fotos.
Garantía de calidade
A calidade dos datos, que deben ser fiables, precisos e consistentes, é fundamental para o éxito do adestramento do modelo de ML. Deben realizarse probas de control de calidade regulares para garantir a etiquetaxe de datos exacta e correcta.
É posible avaliar a precisión destas anotacións mediante técnicas de control de calidade como o test alfa de Consensus e Cronbach. A corrección dos resultados mellora considerablemente coas inspeccións rutineiras de control de calidade.
Modelos de adestramento e proba
Os procedementos antes mencionados só teñen sentido se se comproba a corrección dos datos. A técnica poñerase a proba incluíndo o conxunto de datos non estruturados para comprobar se produce os resultados desexados.
Estratexias de etiquetaxe de datos
A etiquetaxe dos datos é un proceso laborioso que require atención aos detalles. O método utilizado para anotar os datos variará dependendo da declaración do problema, da cantidade de datos que se teñan que etiquetar, do complicado que sexan os datos e do estilo.
Imos repasar algunhas das opcións que ten a túa empresa, dependendo dos recursos dos que dispoña e do tempo que dispoña.
Etiquetado de datos interno
Como o nome indica, a etiquetaxe de datos interna é feita por expertos dentro dunha empresa. Cando tes suficiente tempo, persoal e recursos económicos, é a mellor opción xa que garante a etiquetaxe máis precisa. Non obstante, móvese lentamente.
Terceirização
Outra opción para facer as cousas é contratar autónomos para tarefas de etiquetado de datos que se poden descubrir en varios mercados autónomos e de busca de emprego como Upwork.
A externalización é unha opción rápida para obter servizos de etiquetaxe de datos, con todo, a calidade podería sufrir, similar ao método anterior.
Multidisciplina
Pode iniciar sesión como solicitante e distribuír varios traballos de etiquetado aos contratistas dispoñibles en plataformas especializadas de crowdsourcing como Amazon mecánica turca (MTurco).
O método, aínda que é algo rápido e barato, non pode proporcionar datos anotados de boa calidade.
Etiquetado de datos automaticamente.
O procedemento pode ser axudado por software ademais de realizarse manualmente. Usando o enfoque de aprendizaxe activa, pódense atopar etiquetas e engadirse automaticamente ao conxunto de datos de adestramento.
En esencia, os especialistas humanos desenvolven un modelo de etiqueta automática de intelixencia artificial para marcar datos en bruto sen etiquetar. Despois deciden se o modelo aplicou adecuadamente a etiquetaxe. Os humanos corrixen os erros despois dun fallo e readaptan o algoritmo.
Desenvolvemento de datos sintéticos.
En lugar de datos do mundo real, datos sintéticos é un conxunto de datos etiquetado que se fabricou artificialmente. Prodúcese mediante algoritmos ou simulacións por ordenador e adoita utilizarse adestrar modelos de aprendizaxe automática.
Os datos sintéticos son unha excelente resposta aos problemas de escaseza e variedade de datos no contexto dos procedementos de etiquetaxe. A creación de datos sintéticos desde cero ofrece unha solución.
A creación de configuracións 3D cos elementos e arredor do modelo debe ser capaz de recoñecer os desenvolvedores de conxuntos de datos. Pódense renderizar cantos datos sintéticos sexan necesarios para o proxecto.
Desafíos da etiquetaxe de datos
Require máis tempo e esforzo
Ademais de ser un reto obter grandes cantidades de datos (especialmente para industrias altamente especializadas como a saúde), etiquetar cada dato a man é laborioso e laborioso, polo que é necesario a asistencia de rotuladores humanos.
Case o 80% do tempo dedicado a un proxecto ao longo de todo o ciclo de desenvolvemento de ML dedícase á preparación de datos, que inclúe a etiquetaxe.
Posibilidade de incoherencia
Na maioría das veces, a etiquetaxe cruzada, que ocorre cando moitas persoas etiquetan os mesmos conxuntos de datos, resulta nunha maior precisión.
Non obstante, debido a que ás veces os individuos teñen diferentes graos de competencia, os estándares de etiquetado e as propias etiquetas poden ser inconsistentes, o que é outro problema. É posible que dous ou máis anotadores estean en desacordo nalgunhas etiquetas.
Por exemplo, un experto podería valorar unha opinión de hotel como favorable mentres que outro consideraría que é sarcástica e asignaríalle unha valoración baixa.
Coñecemento do dominio
Sentirás a necesidade de contratar etiquetadoras con coñecementos especializados do sector para algúns sectores.
Os anotadores sen os coñecementos de dominio necesarios, por exemplo, terán dificultades para etiquetar adecuadamente os elementos mentres crean unha aplicación de ML para o sector da saúde.
A predisposición aos erros
A etiquetaxe manual está suxeita a erros humanos, independentemente do coñecemento e do coidado que teñan os seus rotuladores. Debido ao feito de que os anotadores traballan con frecuencia con enormes conxuntos de datos en bruto, isto é inevitable.
Imaxina unha persoa anotando 100,000 imaxes con ata 10 cousas diferentes.
Tipos comúns de etiquetado de datos
Visión por computador
Para desenvolver o teu conxunto de datos de adestramento, primeiro debes etiquetar imaxes, píxeles ou puntos clave, ou establecer un límite que englobe completamente unha imaxe dixital, coñecida como caixa delimitadora, ao construír un sistema de visión por ordenador.
As fotografías pódense clasificar de varias maneiras, incluíndo o contido (o que é realmente na propia imaxe) e a calidade (como as tomas de produtos e estilo de vida).
As imaxes tamén se poden dividir en segmentos a nivel de píxeles. O modelo de visión por ordenador desenvolvido usando estes datos de adestramento pode usarse posteriormente para clasificar automaticamente imaxes, determinar a localización dos obxectos, resaltar áreas clave nunha imaxe e segmentar imaxes.
Procesamento de linguaxe natural
Antes de producir o teu conxunto de datos de formación de procesamento da linguaxe natural, debes escoller manualmente os fragmentos textuais relevantes ou clasificar o material coas etiquetas especificadas.
Por exemplo, pode querer recoñecer patróns de fala, clasificar nomes propios como lugares e persoas e identificar texto en imaxes, PDF ou outros medios. Tamén pode querer determinar o sentimento ou a intención dun anuncio de texto.
Crea caixas delimitadoras ao redor do texto do teu conxunto de datos de adestramento para conseguilo e despois transcribeo manualmente.
Recoñecemento óptico de caracteres, a identificación de nomes de entidades e a análise de sentimentos realízanse mediante modelos de procesamento da linguaxe natural.
Procesamento de Audio
O procesamento de audio transforma todo tipo de sons nun formato estruturado para que se poidan utilizar na aprendizaxe automática, incluíndo a fala, os ruídos dos animais (ladridos, asubíos ou chíos) e os ruídos dos edificios (cristais rotos, dixitalización ou sirenas).
Moitas veces, antes de poder xestionar o audio, debes convertelo manualmente en texto. Despois diso, ao categorizar e engadir etiquetas ao audio, podes obter información máis detallada sobre el. O teu conxunto de datos de formación é este audio clasificado.
Conclusión
En conclusión, identificar os teus datos é unha parte crucial da formación de calquera modelo de IA. Non obstante, unha organización de ritmo acelerado simplemente non pode permitirse o luxo de gastar tempo facéndoo manualmente porque leva moito tempo e consume moito enerxía.
Ademais, é un procedemento que é propenso á imprecisión e que non promete unha gran precisión. Non ten por que ser tan difícil, o que é unha excelente noticia.
As tecnoloxías de etiquetado de datos actuais permiten a colaboración entre humanos e máquinas para proporcionar datos precisos e útiles para unha variedade de aplicacións de aprendizaxe automática.
Deixe unha resposta