Daftar Isi[Bersembunyi][Menunjukkan]
Banyak yang membayangkan robot seperti yang ada di film fiksi ilmiah yang meniru atau bahkan melampaui kecerdasan manusia ketika mereka mendengar istilah kecerdasan buatan, pembelajaran mendalam, dan pembelajaran mesin.
Yang lain berpikir bahwa perangkat ini hanya mengambil informasi dan belajar darinya sendiri. Yah… Ini sedikit menipu. Pelabelan data adalah metode yang digunakan untuk melatih komputer menjadi "pintar", karena mereka memiliki kemampuan terbatas tanpa instruksi manusia.
Untuk melatih komputer agar bertindak “cerdas”, kami memasukkan data dalam berbagai bentuk dan mengajarkannya berbagai strategi dengan bantuan pelabelan data.
Kumpulan data harus diberi anotasi atau diberi label dengan banyak permutasi dari informasi yang sama sebagai bagian dari ilmu yang mendasari pelabelan data.
Upaya dan dedikasi yang dimasukkan ke dalam produk akhir patut dipuji, bahkan ketika itu mengejutkan dan membuat kehidupan kita sehari-hari lebih mudah.
Pelajari tentang pelabelan data dalam artikel ini untuk mempelajari apa itu, bagaimana fungsinya, berbagai jenis pelabelan data, hambatan, dan banyak lagi.
Jadi, apa itu Pelabelan Data?
In Mesin belajar, kaliber dan sifat data masukan menentukan kaliber dan sifat keluaran. Akurasi model AI Anda ditingkatkan dengan kualitas data yang digunakan untuk melatihnya.
Dalam istilah lain, pelabelan data adalah tindakan memberi label atau memberi anotasi pada kumpulan data tidak terstruktur atau terstruktur yang berbeda untuk mengajari komputer mengidentifikasi perbedaan dan pola di antara mereka.
Sebuah ilustrasi akan membantu Anda memahami hal ini. Penting untuk menandai setiap lampu merah dalam berbagai gambar agar komputer mengetahui bahwa lampu merah adalah sinyal untuk berhenti.
Atas dasar ini, AI mengembangkan algoritme yang, dalam setiap situasi, akan menafsirkan lampu merah sebagai indikasi berhenti. Ilustrasi lainnya adalah kemampuan untuk mengkategorikan kumpulan data yang berbeda di bawah judul jazz, pop, rock, klasik, dan lainnya untuk memisahkan genre musik yang berbeda.
Sederhananya, pelabelan data dalam pembelajaran mesin mengacu pada proses mendeteksi data yang tidak berlabel (seperti foto, file teks, video, dll.) dan menambahkan satu atau beberapa label yang relevan untuk menawarkan konteks sehingga model pembelajaran mesin dapat belajar dari dia.
Label bisa mengatakan, misalnya, jika x-ray menunjukkan tumor atau tidak, kata-kata yang diucapkan dalam klip audio, atau jika gambar burung atau mobil.
Pelabelan data sangat penting untuk sejumlah kasus penggunaan, termasuk pengenalan suara, visi komputer, dan pemrosesan bahasa alami.
Pelabelan data: Mengapa Penting?
Pertama, revolusi industri keempat berpusat pada keterampilan mesin pelatihan. Akibatnya, ia menempati peringkat di antara kemajuan perangkat lunak paling signifikan saat ini.
Sistem pembelajaran mesin Anda harus dibuat, yang melibatkan pelabelan data. Ini menetapkan kemampuan sistem. Tidak ada sistem jika data tidak diberi label.
Kemungkinan dengan pelabelan data hanya dibatasi oleh kreativitas Anda. Tindakan apa pun yang dapat Anda petakan ke dalam sistem akan berulang dengan informasi baru.
Artinya, jenis, jumlah, dan keragaman data yang dapat Anda ajarkan ke sistem akan menentukan kecerdasan dan kemampuannya.
Yang kedua adalah bahwa pekerjaan pelabelan data datang sebelum pekerjaan ilmu data. Oleh karena itu, pelabelan data diperlukan untuk ilmu data. Kegagalan dan kesalahan dalam pelabelan data mempengaruhi ilmu data. Atau, untuk menggunakan klise yang lebih kasar, "sampah masuk, buang sampah."
Ketiga, Seni Pelabelan Data menandakan perubahan dalam cara orang mendekati pengembangan sistem AI. Kami secara bersamaan memperbaiki struktur pelabelan data untuk lebih memenuhi tujuan kami daripada hanya mencoba untuk meningkatkan teknik matematika.
Otomatisasi modern didasarkan pada ini, dan ini adalah pusat dari Transformasi AI yang saat ini sedang berlangsung. Sekarang lebih dari sebelumnya, pekerjaan pengetahuan sedang dimekanisasi.
Bagaimana fungsi pelabelan data?
Urutan kronologis berikut ini diikuti selama prosedur pelabelan data.
Pengumpulan data
Data adalah landasan dari setiap upaya pembelajaran mesin. Tahap awal dalam pelabelan data terdiri dari pengumpulan jumlah data mentah yang sesuai dalam berbagai bentuk.
Pengumpulan data dapat mengambil salah satu dari dua bentuk: baik itu berasal dari sumber internal yang telah digunakan bisnis, atau berasal dari sumber eksternal yang dapat diakses publik.
Karena masih dalam bentuk mentah, data ini perlu dibersihkan dan diproses sebelum label dataset dibuat. Model kemudian dilatih menggunakan data yang telah dibersihkan dan diproses sebelumnya. Temuan akan lebih akurat dengan kumpulan data yang lebih besar dan lebih bervariasi.
Anotasi data
Setelah pembersihan data, pakar domain memeriksa data dan menerapkan label menggunakan beberapa teknik pelabelan data. Model tersebut memiliki konteks yang bermakna yang dapat dimanfaatkan sebagai kebenaran dasar.
Ini adalah variabel yang Anda ingin model prediksi, seperti foto.
Jaminan kualitas
Kualitas data, yang harus dapat dipercaya, akurat, dan konsisten, sangat penting untuk keberhasilan pelatihan model ML. Tes QA reguler harus diterapkan untuk menjamin pelabelan data yang tepat dan benar ini.
Dimungkinkan untuk menilai keakuratan anotasi ini dengan menggunakan teknik QA seperti Consensus dan uji alfa Cronbach. Hasil yang benar sangat ditingkatkan dengan inspeksi QA rutin.
Model pelatihan & pengujian
Prosedur yang disebutkan di atas hanya masuk akal jika data diperiksa kebenarannya. Teknik ini akan diuji dengan memasukkan dataset tidak terstruktur untuk memeriksa apakah itu menghasilkan hasil yang diinginkan.
Strategi pelabelan data
Pelabelan data adalah proses yang melelahkan yang menuntut perhatian terhadap detail. Metode yang digunakan untuk membubuhi keterangan data akan bervariasi tergantung pada pernyataan masalah, berapa banyak data yang harus diberi tag, seberapa rumit datanya, dan gayanya.
Mari kita lihat beberapa opsi yang dimiliki bisnis Anda, tergantung pada sumber daya yang dimilikinya dan waktu yang tersedia.
Pelabelan data internal
Sesuai dengan namanya, pelabelan data in-house dilakukan oleh para ahli dalam suatu perusahaan. Bila Anda memiliki cukup waktu, personel, dan sumber daya keuangan, ini adalah pilihan terbaik karena memastikan pelabelan yang paling akurat. Namun, ia bergerak perlahan.
outsourcing
Pilihan lain untuk menyelesaikan sesuatu adalah dengan menyewa pekerja lepas untuk tugas pelabelan data yang dapat ditemukan di berbagai pasar pencari kerja dan pekerja lepas seperti Upwork.
Outsourcing adalah pilihan cepat untuk mendapatkan layanan pelabelan data, namun kualitasnya bisa menurun, mirip dengan metode sebelumnya.
crowdsourcing
Anda dapat masuk sebagai pemohon dan mendistribusikan berbagai pekerjaan pelabelan ke kontraktor yang tersedia di platform crowdsourcing khusus seperti Amazon Mechanical Turk (Turki).
Metode ini, meskipun agak cepat dan murah, tidak dapat memberikan data beranotasi yang berkualitas baik.
Pelabelan data secara otomatis.
Prosedur mungkin dibantu oleh perangkat lunak selain dilakukan secara manual. Menggunakan pendekatan pembelajaran aktif, tag dapat secara otomatis ditemukan dan ditambahkan ke set data pelatihan.
Intinya, spesialis manusia mengembangkan model AI Auto-label untuk menandai data mentah yang tidak berlabel. Kemudian mereka memutuskan apakah model tersebut menerapkan pelabelan dengan tepat. Manusia memperbaiki kesalahan setelah kegagalan dan melatih kembali algoritme.
Pengembangan data sintetis.
Sebagai pengganti data dunia nyata, data sintetis adalah kumpulan data berlabel yang diproduksi secara artifisial. Ini diproduksi oleh algoritma atau simulasi komputer dan sering digunakan untuk melatih model pembelajaran mesin.
Data sintetis adalah jawaban yang sangat baik untuk masalah kelangkaan dan keragaman data dalam konteks prosedur pelabelan. penciptaan data sintetis dari awal menawarkan solusi.
Pembuatan pengaturan 3D dengan item dan model yang mengelilinginya harus dapat dikenali oleh pengembang kumpulan data. Data sintetis sebanyak yang diperlukan untuk proyek dapat dirender.
Tantangan Pelabelan Data
Membutuhkan lebih banyak waktu dan usaha
Selain sulit untuk mendapatkan data dalam jumlah besar (terutama untuk industri yang sangat terspesialisasi seperti perawatan kesehatan), memberi label pada setiap bagian data dengan tangan membutuhkan banyak tenaga dan tenaga, sehingga memerlukan bantuan pemberi label manusia.
Hampir 80% dari waktu yang dihabiskan untuk sebuah proyek selama seluruh siklus pengembangan ML dihabiskan untuk persiapan data, yang mencakup pelabelan.
Kemungkinan inkonsistensi
Sering kali, pelabelan silang, yang terjadi ketika banyak orang melabeli kumpulan data yang sama, menghasilkan akurasi yang lebih tinggi.
Namun, karena individu terkadang memiliki tingkat kompetensi yang berbeda-beda, standar pelabelan dan label itu sendiri dapat menjadi tidak konsisten, yang merupakan masalah lain, Ada kemungkinan dua atau lebih annotator tidak setuju pada beberapa tag.
Misalnya, seorang pakar dapat menilai ulasan hotel sebagai hal yang baik, sementara pakar lain akan menganggapnya sarkastik dan memberikannya peringkat rendah.
Pengetahuan domain
Anda akan merasa perlu untuk menyewa pelabel dengan pengetahuan industri khusus untuk beberapa sektor.
Annotator tanpa pengetahuan domain yang diperlukan, misalnya, akan mengalami kesulitan untuk menandai item dengan tepat saat membuat aplikasi ML untuk sektor perawatan kesehatan.
Rawan kesalahan
Pelabelan manual tunduk pada kesalahan manusia, terlepas dari seberapa luas dan hati-hatinya pemberi label Anda. Karena fakta bahwa annotator sering bekerja dengan kumpulan data mentah yang sangat besar, ini tidak dapat dihindari.
Bayangkan seseorang membubuhi keterangan 100,000 gambar dengan hingga 10 hal berbeda.
Jenis umum Pelabelan Data
Visi Komputer
Untuk mengembangkan set data pelatihan, Anda harus terlebih dahulu memberi label pada gambar, piksel, atau titik kunci, atau menetapkan batas yang sepenuhnya menutupi gambar digital, yang dikenal sebagai kotak pembatas, saat membangun sistem visi komputer.
Foto dapat dikategorikan dalam berbagai cara, termasuk berdasarkan konten (apa yang sebenarnya ada dalam gambar itu sendiri) dan kualitas (seperti foto produk vs. gaya hidup).
Gambar juga dapat dibagi menjadi segmen-segmen pada tingkat piksel. Model visi komputer yang dikembangkan menggunakan data pelatihan ini selanjutnya dapat digunakan untuk mengklasifikasikan gambar secara otomatis, menentukan lokasi objek, menyorot area utama dalam suatu gambar, dan mengelompokkan gambar.
Pengolahan Bahasa alami
Sebelum memproduksi set data pelatihan pemrosesan bahasa alami, Anda harus memilih fragmen tekstual yang relevan secara manual atau mengklasifikasikan materi dengan label yang ditentukan.
Misalnya, Anda mungkin ingin mengenali pola bicara, mengklasifikasikan kata benda seperti tempat dan orang, dan mengidentifikasi teks dalam gambar, PDF, atau media lainnya. Anda mungkin juga ingin menentukan sentimen atau maksud dari uraian teks.
Buat kotak pembatas di sekitar teks dalam set data pelatihan Anda untuk melakukannya, lalu transkripsikan secara manual.
Pengenalan karakter optis, identifikasi nama entitas, dan analisis sentimen semuanya dilakukan menggunakan model pemrosesan bahasa alami.
Pengolahan Audio
Pemrosesan audio mengubah semua jenis suara ke dalam format terstruktur sehingga dapat digunakan dalam pembelajaran mesin, termasuk ucapan, suara binatang (gonggongan, peluit, atau kicauan), dan suara bangunan (pecahan kaca, pemindaian, atau sirene).
Seringkali, sebelum Anda dapat menangani audio, Anda harus mengubahnya secara manual menjadi teks. Setelah itu, dengan mengkategorikan dan menambahkan tag ke audio, Anda dapat mempelajari informasi lebih mendalam tentangnya. Milikmu set data pelatihan apakah ini audio rahasia.
Kesimpulan
Kesimpulannya, mengidentifikasi data Anda adalah bagian penting dari pelatihan model AI apa pun. Organisasi yang bergerak cepat, bagaimanapun, tidak mampu menghabiskan waktu melakukannya secara manual karena memakan waktu dan energi.
Selain itu, ini adalah prosedur yang rentan terhadap ketidakakuratan dan tidak menjanjikan akurasi yang tinggi. Tidak harus begitu sulit, yang merupakan berita bagus.
Teknologi pelabelan data saat ini memungkinkan kolaborasi antara manusia dan mesin untuk menyediakan data yang tepat dan berguna untuk berbagai aplikasi pembelajaran mesin.
Tinggalkan Balasan