Sommario[Nascondere][Spettacolo]
Molti immaginano robot come quelli dei film di fantascienza che imitano o addirittura superano l'intelletto umano quando sentono i termini intelligenza artificiale, deep learning e machine learning.
Altri pensano che questi dispositivi raccolgano semplicemente informazioni e imparino da esse da soli. Beh... è un po' ingannevole. L'etichettatura dei dati è il metodo utilizzato per addestrare i computer a diventare "intelligenti", poiché hanno capacità limitate senza l'istruzione umana.
Per addestrare il computer ad agire in modo "intelligente", inseriamo i dati in varie forme e gli insegniamo varie strategie con l'aiuto dell'etichettatura dei dati.
I set di dati devono essere annotati o etichettati con numerose permutazioni delle stesse informazioni come parte dell'etichettatura dei dati scientifica alla base.
Lo sforzo e la dedizione messi nel prodotto finale sono lodevoli, anche quando sorprende e semplifica la nostra vita quotidiana.
Informazioni sull'etichettatura dei dati in questo articolo per sapere di cosa si tratta, come funziona, diversi tipi di etichettatura dei dati, ostacoli e molto altro.
Allora, cos'è l'etichettatura dei dati?
In machine learning, il calibro e la natura dei dati di input determinano il calibro e la natura dell'output. La precisione del tuo modello di intelligenza artificiale è migliorata dal calibro dei dati utilizzati per addestrarlo.
In altri termini, l'etichettatura dei dati è l'atto di etichettare o annotare diversi set di dati non strutturati o strutturati per insegnare a un computer a identificare differenze e schemi tra di loro.
Un'illustrazione ti aiuterà a capirlo. È necessario contrassegnare ogni luce rossa in una varietà di immagini affinché il computer apprenda che la luce rossa è un segnale di arresto.
Sulla base di ciò, AI sviluppa un algoritmo che, in ogni situazione, interpreterà un semaforo rosso come indicazione di stop. Un'altra illustrazione è la capacità di classificare diversi set di dati sotto i titoli di jazz, pop, rock, classica e altro per separare diversi generi musicali.
In parole povere, l'etichettatura dei dati nell'apprendimento automatico si riferisce al processo di rilevamento dei dati senza etichetta (come foto, file di testo, video, ecc.) e l'aggiunta di una o più etichette pertinenti per offrire un contesto in modo che un modello di apprendimento automatico possa imparare da esso.
Le etichette potrebbero indicare, ad esempio, se una radiografia mostra un tumore o meno, quali parole sono state dette in un clip audio o se l'immagine di un uccello o di un'automobile.
L'etichettatura dei dati è essenziale per una serie di casi d'uso, incluso il riconoscimento vocale, visione computerizzatae l'elaborazione del linguaggio naturale.
Etichettatura dei dati: perché è importante?
In primo luogo, la quarta rivoluzione industriale è incentrata sull'abilità delle macchine da allenamento. Di conseguenza, si colloca tra i progressi software più significativi del presente.
Il tuo sistema di apprendimento automatico deve essere creato, il che implica l'etichettatura dei dati. Stabilisce le capacità del sistema. Non esiste un sistema se i dati non sono etichettati.
Le possibilità con l'etichettatura dei dati sono limitate solo dalla tua creatività. Qualsiasi azione che puoi mappare nel sistema verrà ripetuta con nuove informazioni.
Ciò significa che il tipo, la quantità e la diversità dei dati che puoi insegnare al sistema determineranno la sua intelligenza e capacità.
Il secondo è che il lavoro di etichettatura dei dati viene prima del lavoro di scienza dei dati. Di conseguenza, l'etichettatura dei dati è necessaria per la scienza dei dati. Errori ed errori nell'etichettatura dei dati influiscono sulla scienza dei dati. In alternativa, per utilizzare un cliché più grezzo, "spazzatura dentro, spazzatura".
In terzo luogo, The Art of Data Labelling significa un cambiamento nel modo in cui le persone affrontano lo sviluppo dei sistemi di intelligenza artificiale. Perfezioniamo simultaneamente la struttura dell'etichettatura dei dati per soddisfare meglio i nostri obiettivi piuttosto che tentare solo di migliorare le tecniche matematiche.
L'automazione moderna si basa su questo, ed è il centro della Trasformazione AI attualmente in corso. Ora più che mai, il lavoro della conoscenza viene meccanizzato.
Come funziona l'etichettatura dei dati?
Durante la procedura di etichettatura dei dati viene seguito il seguente ordine cronologico.
Raccolta di dati
I dati sono la pietra angolare di qualsiasi attività di machine learning. La fase iniziale dell'etichettatura dei dati consiste nel raccogliere la quantità appropriata di dati grezzi in diverse forme.
La raccolta dei dati può assumere una di queste due forme: proviene da fonti interne utilizzate dall'azienda o proviene da fonti esterne pubblicamente accessibili.
Poiché sono in forma grezza, questi dati devono essere puliti ed elaborati prima che vengano create le etichette del set di dati. Il modello viene quindi addestrato utilizzando questi dati puliti e preelaborati. I risultati saranno tanto più accurati quanto più ampio e vario sarà il set di dati.
Annotazione dei dati
Dopo la pulizia dei dati, gli esperti di dominio esaminano i dati e applicano le etichette utilizzando diverse tecniche di etichettatura dei dati. Il modello ha un contesto significativo che può essere utilizzato come verità fondamentale.
Queste sono le variabili che vuoi che il modello preveda, come le foto.
Garanzia di qualità
La qualità dei dati, che dovrebbero essere affidabili, accurati e coerenti, è fondamentale per il successo del training del modello ML. Per garantire l'esatta e corretta etichettatura dei dati devono essere implementati regolari test di controllo qualità.
È possibile valutare l'accuratezza di queste annotazioni utilizzando tecniche di controllo qualità come il Consensus e l'alpha test di Cronbach. La correttezza dei risultati è notevolmente migliorata dalle ispezioni QA di routine.
Modelli di formazione e test
Le suddette procedure hanno senso solo se viene verificata la correttezza dei dati. La tecnica sarà messa alla prova includendo il set di dati non strutturato per verificare se produce i risultati desiderati.
Strategie di etichettatura dei dati
L'etichettatura dei dati è un processo laborioso che richiede attenzione ai dettagli. Il metodo utilizzato per annotare i dati varia a seconda dell'istruzione del problema, della quantità di dati da contrassegnare, della complessità dei dati e dello stile.
Esaminiamo alcune delle opzioni che la tua azienda ha, a seconda delle risorse che ha e del tempo che ha a disposizione.
Etichettatura dei dati internamente
Come suggerisce il nome, l'etichettatura interna dei dati viene eseguita da esperti all'interno di un'azienda. Quando si dispone di tempo, personale e risorse finanziarie sufficienti, è l'opzione migliore poiché garantisce l'etichettatura più accurata. Tuttavia, si muove lentamente.
Outsourcing
Un'altra opzione per fare le cose è assumere liberi professionisti per attività di etichettatura dei dati che possono essere scoperti su vari mercati in cerca di lavoro e freelance come Upwork.
L'outsourcing è un'opzione rapida per ottenere servizi di etichettatura dei dati, tuttavia, la qualità potrebbe risentirne, in modo simile al metodo precedente.
crowdsourcing
Puoi accedere come richiedente e distribuire vari lavori di etichettatura agli appaltatori disponibili su piattaforme di crowdsourcing specializzate come Amazon Mechanical Turk (Mturco).
Il metodo, sebbene alquanto rapido ed economico, non può fornire dati annotati di buona qualità.
Etichettatura dei dati automaticamente.
La procedura potrebbe essere aiutata dal software oltre ad essere eseguita manualmente. Utilizzando l'approccio di apprendimento attivo, i tag possono essere trovati automaticamente e aggiunti al set di dati di formazione.
In sostanza, gli specialisti umani sviluppano un modello di etichettatura automatica AI per contrassegnare i dati grezzi senza etichetta. Quindi decidono se il modello ha applicato correttamente l'etichettatura. Gli esseri umani correggono gli errori dopo un errore e riqualificano l'algoritmo.
Sviluppo di dati sintetici.
Al posto dei dati del mondo reale, dati sintetici è un set di dati etichettato prodotto artificialmente. È prodotto da algoritmi o simulazioni al computer e viene spesso utilizzato addestrare modelli di apprendimento automatico.
I dati sintetici sono un'ottima risposta ai problemi della scarsità e della varietà dei dati nel contesto delle procedure di etichettatura. La creazione di dati sintetici da zero offre una soluzione.
La creazione di impostazioni 3D con gli elementi e l'ambiente circostante il modello deve essere in grado di essere riconosciuta dagli sviluppatori di set di dati. È possibile eseguire il rendering di tutti i dati sintetici necessari per il progetto.
Sfide dell'etichettatura dei dati
Richiede più tempo e impegno
Oltre a essere difficile da ottenere grandi quantità di dati (soprattutto per settori altamente specializzati come quello sanitario), etichettare manualmente ogni dato è sia laborioso che laborioso, e richiede l'assistenza di etichettatori umani.
Quasi l'80% del tempo dedicato a un progetto durante l'intero ciclo di sviluppo del ML viene dedicato alla preparazione dei dati, che include l'etichettatura.
Possibilità di incoerenza
Il più delle volte, l'etichettatura incrociata, che si verifica quando molte persone etichettano gli stessi set di dati, si traduce in una maggiore precisione.
Tuttavia, poiché gli individui a volte hanno vari gradi di competenza, gli standard di etichettatura e le etichette stesse possono essere incoerenti, che è un altro problema. È possibile che due o più annotatori non siano d'accordo su alcuni tag.
Ad esempio, un esperto potrebbe valutare una recensione di un hotel come favorevole mentre un altro la considererebbe sarcastica e assegnarle un punteggio basso.
Conoscenza del dominio
Sentirai la necessità di assumere etichettatrici con conoscenze industriali specializzate per alcuni settori.
Gli annotatori senza la necessaria conoscenza del dominio, ad esempio, avranno difficoltà a taggare in modo appropriato gli elementi durante la creazione di un'app ML per il settore sanitario.
Propensione agli errori
L'etichettatura manuale è soggetta a errori umani, indipendentemente da quanto siano competenti e attenti le vostre etichettatrici. A causa del fatto che gli annotatori lavorano spesso con enormi set di dati grezzi, questo è inevitabile.
Immagina una persona che annota 100,000 immagini con un massimo di 10 cose diverse.
Tipi comuni di etichettatura dei dati
Visione computerizzata
Per sviluppare il tuo set di dati di addestramento, devi prima etichettare immagini, pixel o punti chiave o stabilire un confine che racchiuda completamente un'immagine digitale, nota come riquadro di delimitazione, quando costruisci un sistema di visione artificiale.
Le fotografie possono essere classificate in vari modi, anche in base al contenuto (cosa c'è effettivamente nell'immagine stessa) e alla qualità (come scatti di prodotti rispetto allo stile di vita).
Le immagini possono anche essere divise in segmenti a livello di pixel. Il modello di visione artificiale sviluppato utilizzando questi dati di addestramento può essere successivamente utilizzato per classificare automaticamente le immagini, determinare la posizione degli oggetti, evidenziare aree chiave in un'immagine e segmentare le immagini.
Elaborazione del linguaggio naturale
Prima di produrre il set di dati di formazione sull'elaborazione del linguaggio naturale, è necessario scegliere manualmente frammenti di testo pertinenti o classificare il materiale con etichette specifiche.
Ad esempio, potresti voler riconoscere i modelli vocali, classificare nomi propri come luoghi e persone e identificare il testo in immagini, PDF o altri media. Potresti anche voler determinare il sentimento o l'intento di una sfocatura di testo.
Crea riquadri di delimitazione attorno al testo nel set di dati di addestramento per ottenere ciò, quindi trascrivilo manualmente.
Riconoscimento ottico dei caratteri, l'identificazione del nome dell'entità e l'analisi del sentiment vengono tutti eseguiti utilizzando modelli di elaborazione del linguaggio naturale.
Elaborazione Audio
L'elaborazione audio trasforma tutti i tipi di suoni in un formato strutturato in modo che possano essere utilizzati nell'apprendimento automatico, inclusi voce, rumori di animali (abbaiati, fischi o cinguettii) e rumori di edifici (vetri rotti, scansioni o sirene).
Spesso, prima di poter gestire l'audio, è necessario convertirlo manualmente in testo. Successivamente, classificando e aggiungendo tag all'audio, puoi ottenere informazioni più approfondite su di esso. Tuo set di dati di addestramento è questo audio classificato.
Conclusione
In conclusione, l'identificazione dei dati è una parte cruciale dell'addestramento di qualsiasi modello di IA. Un'organizzazione frenetica, tuttavia, semplicemente non può permettersi di dedicare tempo a farlo manualmente perché è dispendioso in termini di tempo e di energia.
Inoltre, è una procedura soggetta a imprecisioni e non promette grande precisione. Non deve essere così difficile, che è un'ottima notizia.
Le odierne tecnologie di etichettatura dei dati consentono la collaborazione tra esseri umani e macchine per fornire dati precisi e utili per una varietà di applicazioni di apprendimento automatico.
Lascia un Commento