පටුන[සඟවන්න][පෙන්වන්න]
කෘත්රිම බුද්ධිය, ගැඹුරු ඉගෙනීම සහ යන්ත්ර ඉගෙනීම යන යෙදුම් ඇසූ විට බොහෝ අය සිතන්නේ විද්යා ප්රබන්ධ චිත්රපටවල සිටින රොබෝවරුන් මිනිස් බුද්ධිය අනුකරණය කරන හෝ අභිබවා යන බවයි.
තවත් අය සිතන්නේ මෙම උපකරණ හුදෙක් තොරතුරු ලබාගෙන ඒවායින් තනිවම ඉගෙන ගන්නා බවයි. හොඳයි... ඒක ටිකක් රැවටීමක්. දත්ත ලේබල් කිරීම යනු මානව උපදෙස් නොමැතිව සීමිත හැකියාවන් ඇති බැවින් පරිගණක “ස්මාර්ට්” බවට පත් කිරීමට පුහුණු කිරීමට භාවිතා කරන ක්රමයයි.
පරිගණකය "ස්මාණවත් ලෙස" ක්රියා කිරීමට පුහුණු කිරීම සඳහා අපි දත්ත විවිධ ආකාරවලින් ඇතුළත් කර දත්ත ලේබල් කිරීමේ ආධාරයෙන් එයට විවිධ උපාය මාර්ග උගන්වමු.
දත්ත කට්ටල විද්යාවට යටින් පවතින දත්ත ලේබල් කිරීමේ කොටසක් ලෙස එකම තොරතුරුවල බොහෝ ප්රගමනයන් සමඟ විවරණ හෝ ලේබල් කළ යුතුය.
අපගේ දෛනික ජීවිතය විස්මයට පත් කර පහසු කරවන විට පවා අවසාන නිෂ්පාදනය සඳහා දරන උත්සාහය සහ කැපවීම ප්රශංසනීයයි.
එය කුමක්ද, එය ක්රියාත්මක වන ආකාරය, විවිධ වර්ගයේ දත්ත ලේබල් කිරීම, බාධක සහ තවත් බොහෝ දේ ඉගෙන ගැනීමට මෙම ලිපියෙන් දත්ත ලේබල් කිරීම ගැන ඉගෙන ගන්න.
ඉතින්, දත්ත ලේබල් කිරීම යනු කුමක්ද?
In යන්ත්ර ඉගෙනීම, ආදාන දත්තවල ක්රමාංකනය සහ ස්වභාවය ප්රතිදානයේ ක්රමාංකනය සහ ස්වභාවය නියම කරයි. ඔබේ AI ආකෘතියේ නිරවද්යතාවය එය පුහුණු කිරීමට භාවිත කරන දත්තවල ක්රමාංකනය මගින් වැඩි දියුණු වේ.
වෙනත් වචන වලින් කිවහොත්, දත්ත ලේබල් කිරීම යනු පරිගණකයකට ඒවා අතර ඇති වෙනස්කම් සහ රටා හඳුනා ගැනීමට ඉගැන්වීම සඳහා විවිධ ව්යුහගත නොවන හෝ ව්යුහගත දත්ත කට්ටල ලේබල් කිරීම හෝ විවරණය කිරීමේ ක්රියාවකි.
මෙය තේරුම් ගැනීමට උපමාවක් ඔබට උපකාර වනු ඇත. රතු එළිය නතර කිරීමට සංඥාවක් බව පරිගණකයට ඉගෙන ගැනීම සඳහා සෑම රතු එළියක්ම විවිධ රූපවල ටැග් කිරීම අවශ්ය වේ.
මෙහි පදනම මත, AI විසින් ඇල්ගොරිතමයක් වර්ධනය කරන අතර, සෑම අවස්ථාවකදීම, නැවතුම් ඇඟවීමක් ලෙස රතු ආලෝකය අර්ථකථනය කරයි. තවත් නිදර්ශනයක් වන්නේ විවිධ සංගීත ප්රභේද වෙන් කිරීම සඳහා ජෑස්, පොප්, රොක්, සම්භාව්ය සහ තවත් ශීර්ෂයන් යටතේ විවිධ දත්ත කට්ටල වර්ගීකරණය කිරීමේ හැකියාවයි.
එය සරලව කිවහොත්, යන්ත්ර ඉගෙනීමේදී දත්ත ලේබල් කිරීම යනු ලේබල් නොකළ දත්ත (ඡායාරූප, පෙළ ගොනු, වීඩියෝ, ආදිය) හඳුනාගැනීමේ ක්රියාවලිය සහ යන්ත්ර ඉගෙනුම් ආකෘතියකට ඉගෙන ගත හැකි වන පරිදි සන්දර්භය පිරිනැමීමට අදාළ ලේබල් එකක් හෝ කිහිපයක් එක් කිරීමයි. එය.
උදාහරණයක් ලෙස, x-ray එකකින් ගෙඩියක් පෙන්නුම් කරන්නේ නම් හෝ නැත නම්, ශ්රව්ය පටයක සඳහන් කර ඇති වචන, හෝ කුරුල්ලෙකුගේ හෝ මෝටර් රථයක පින්තූරයක් නම් ලේබල්වලට පැවසිය හැකිය.
කථන හඳුනාගැනීම ඇතුළු භාවිත අවස්ථා ගණනාවක් සඳහා දත්ත ලේබල් කිරීම අත්යවශ්ය වේ. පරිගණක දැක්ම, සහ ස්වභාවික භාෂා සැකසුම්.
දත්ත ලේබල් කිරීම: එය වැදගත් වන්නේ ඇයි?
පළමුව, සිව්වන කාර්මික විප්ලවය කේන්ද්රගත වී ඇත්තේ යන්ත්ර පුහුණු කිරීමේ කුසලතාවය මත ය. එහි ප්රතිඵලයක් වශයෙන්, එය වර්තමානයේ වඩාත්ම වැදගත් මෘදුකාංග දියුණුව අතරට පැමිණේ.
දත්ත ලේබල් කිරීම ඇතුළත් ඔබේ යන්ත්ර ඉගෙනුම් පද්ධතිය නිර්මාණය කළ යුතුය. එය පද්ධතියේ හැකියාවන් තහවුරු කරයි. දත්ත ලේබල් කර නොමැති නම් පද්ධතියක් නොමැත.
දත්ත ලේබල් කිරීමේ හැකියාව සීමා වන්නේ ඔබේ නිර්මාණශීලීත්වය අනුව පමණි. ඔබට පද්ධතියට සිතියම් ගත කළ හැකි ඕනෑම ක්රියාවක් නැවුම් තොරතුරු සමඟ නැවත නැවතත් සිදුවේ.
එයින් අදහස් වන්නේ ඔබට පද්ධතියට ඉගැන්විය හැකි දත්තවල වර්ගය, ප්රමාණය සහ විවිධත්වය එහි බුද්ධිය සහ හැකියාව තීරණය කරන බවයි.
දෙවැන්න නම් දත්ත විද්යාව වැඩ කිරීමට පෙර දත්ත ලේබල් කිරීමේ කාර්යය පැමිණේ. ඒ අනුව දත්ත විද්යාව සඳහා දත්ත ලේබල් කිරීම අවශ්ය වේ. දත්ත ලේබල් කිරීමේ අසමත්වීම් සහ වැරදි දත්ත විද්යාවට බලපායි. විකල්පයක් ලෙස, "කුණු කූඩයට දමන්න, කසළ ඉවත් කරන්න" යන ගොරහැඩි ක්ලිචේ භාවිතා කිරීම.
තෙවනුව, දත්ත ලේබල් කිරීමේ කලාව මිනිසුන් AI පද්ධති සංවර්ධනයට ප්රවේශ වන ආකාරයෙහි වෙනසක් පෙන්නුම් කරයි. අපි ගණිතමය ශිල්පීය ක්රම වැඩි දියුණු කිරීමට උත්සාහ කරනවාට වඩා අපගේ ඉලක්ක වඩා හොඳින් සපුරාලීම සඳහා දත්ත ලේබල් කිරීමේ ව්යුහය සමගාමීව පිරිපහදු කරන්නෙමු.
නවීන ස්වයංක්රීයකරණය මේ මත පදනම් වන අතර එය දැනට ක්රියාත්මක වන AI පරිවර්තනයේ කේන්ද්රස්ථානය වේ. දැන් වෙනදාටත් වඩා දැනුම වැඩ යාන්ත්රිකකරණය වෙමින් පවතී.
දත්ත ලේබල් කිරීම ක්රියා කරන්නේ කෙසේද?
දත්ත ලේබල් කිරීමේ ක්රියාවලියේදී පහත කාලානුක්රමික අනුපිළිවෙල අනුගමනය කෙරේ.
දත්ත එකතු කිරීම
දත්ත යනු ඕනෑම යන්ත්ර ඉගෙනීමේ ප්රයත්නයක මූලික ගලයි. දත්ත ලේබල් කිරීමේ ආරම්භක අදියර සමන්විත වන්නේ විවිධ ආකාරවලින් සුදුසු අමු දත්ත ප්රමාණය රැස් කිරීමෙනි.
දත්ත රැස් කිරීම ආකාර දෙකකින් එකක් ගත හැකිය: එක්කෝ එය ව්යාපාරය භාවිතා කර ඇති අභ්යන්තර මූලාශ්රවලින් පැමිණේ, නැතහොත් එය ප්රසිද්ධියේ ප්රවේශ විය හැකි බාහිර මූලාශ්රවලින් පැමිණේ.
එය අමු ආකාරයෙන් පවතින බැවින්, දත්ත කට්ටල ලේබල සෑදීමට පෙර මෙම දත්ත පිරිසිදු කර සැකසීමට අවශ්ය වේ. මෙම පිරිසිදු කරන ලද සහ පෙර සැකසූ දත්ත භාවිතයෙන් ආකෘතිය පසුව පුහුණු කරනු ලැබේ. දත්ත කට්ටලය විශාල වන තරමට සොයාගැනීම් වඩාත් නිවැරදි හා විවිධ වේ.
දත්ත සටහන් කිරීම
දත්ත පිරිසිදු කිරීමෙන් පසුව, වසම් විශේෂඥයින් දත්ත පරීක්ෂා කර දත්ත ලේබල් කිරීමේ ක්රම කිහිපයක් භාවිතා කරමින් ලේබල් යොදයි. ආකෘතියට භූමි සත්යය ලෙස භාවිතා කළ හැකි අර්ථවත් සන්දර්භයක් ඇත.
ඡායාරූප වැනි ඔබට ආකෘතිය පුරෝකථනය කිරීමට අවශ්ය විචල්යයන් මේවාය.
ගුණාත්මකභාවය පිළිබඳ සහතිකය
ML ආකෘති පුහුණුවේ සාර්ථකත්වය සඳහා විශ්වාසදායක, නිරවද්ය සහ ස්ථාවර විය යුතු දත්තවල ගුණාත්මකභාවය ඉතා වැදගත් වේ. මෙම නිවැරදි සහ නිවැරදි දත්ත ලේබල් කිරීම සහතික කිරීම සඳහා නිතිපතා QA පරීක්ෂණ ක්රියාත්මක කළ යුතුය.
Consensus සහ Cronbach's alpha test වැනි QA ශිල්පීය ක්රම භාවිතා කිරීමෙන් මෙම විවරණවල නිරවද්යතාවය තක්සේරු කළ හැක. සාමාන්ය QA පරීක්ෂණ මගින් ප්රතිඵල නිවැරදි බව සැලකිය යුතු ලෙස වැඩි දියුණු කර ඇත.
පුහුණු සහ පරීක්ෂණ ආකෘති
ඉහත සඳහන් කළ ක්රියා පටිපාටි අර්ථවත් වන්නේ දත්ත නිවැරදි දැයි පරීක්ෂා කරන්නේ නම් පමණි. එය අපේක්ෂිත ප්රතිඵල ලබා දෙන්නේ දැයි පරීක්ෂා කිරීම සඳහා ව්යුහගත නොකළ දත්ත කට්ටලය ඇතුළත් කිරීමෙන් තාක්ෂණය පරීක්ෂණයට ලක් කෙරේ.
දත්ත ලේබල් කිරීමේ උපාය මාර්ග
දත්ත ලේබල් කිරීම යනු සවිස්තරාත්මකව අවධානය යොමු කළ යුතු වෙහෙසකාරී ක්රියාවලියකි. දත්ත සටහන් කිරීමට භාවිතා කරන ක්රමය ගැටළු ප්රකාශය, කොපමණ දත්ත ටැග් කළ යුතුද, දත්ත කෙතරම් සංකීර්ණද, සහ ශෛලිය අනුව වෙනස් වේ.
ඔබේ ව්යාපාරය සතුව ඇති සම්පත් සහ එය පවතින කාලය මත පදනම්ව, විකල්ප කිහිපයක් හරහා යමු.
ගෘහස්ථ දත්ත ලේබල් කිරීම
නමට අනුව, අභ්යන්තර දත්ත ලේබල් කිරීම සිදු කරනු ලබන්නේ සමාගමක් තුළ සිටින ප්රවීණයන් විසිනි. ඔබට ප්රමාණවත් කාලයක්, පිරිස් සහ මූල්ය සම්පත් ඇති විට, එය වඩාත් නිවැරදි ලේබල් කිරීම සහතික කරන බැවින් එය හොඳම විකල්පයයි. කෙසේ වෙතත්, එය සෙමින් ගමන් කරයි.
බාහිර සේවා ලබාගැනීම
දේවල් සිදු කර ගැනීමට ඇති තවත් විකල්පයක් නම්, විවිධ රැකියා සොයන සහ Upwork වැනි නිදහස් වෙළඳපොළවල් වලින් සොයා ගත හැකි දත්ත ලේබල් කිරීමේ කාර්යයන් සඳහා නිදහස් සේවකයින් බඳවා ගැනීමයි.
බාහිරින් ලබා ගැනීම දත්ත ලේබල් කිරීමේ සේවා ලබා ගැනීම සඳහා වේගවත් විකල්පයකි, කෙසේ වෙතත්, පෙර ක්රමයට සමානව ගුණාත්මක භාවයට හානි විය හැකිය.
Crowdsourcing
ඔබට ඉල්ලුම්කරුවෙකු ලෙස ප්රවිෂ්ට වී විවිධ ලේබල් කිරීමේ රැකියා ලබා ගත හැකි කොන්ත්රාත්කරුවන්ට වැනි විශේෂිත ක්රවුඩ් සෝර්සිං වේදිකාවල බෙදා හැරිය හැක. ඇමසන් යාන්ත්රික තුර්කිය (MTurk).
ක්රමය, තරමක් ඉක්මන් සහ මිල අඩු වුවද, හොඳ තත්ත්වයේ විවරණ දත්ත සැපයිය නොහැක.
දත්ත ස්වයංක්රීයව ලේබල් කිරීම.
මෙම ක්රියාපටිපාටිය අතින් සිදු කිරීමට අමතරව මෘදුකාංග මගින් සහාය විය හැක. සක්රීය ඉගෙනුම් ප්රවේශය භාවිතා කරමින්, ටැග් ස්වයංක්රීයව සොයා ගත හැකි අතර පුහුණු දත්ත කට්ටලයට එක් කළ හැක.
සාරය වශයෙන්, මානව විශේෂඥයින් විසින් ලේබල් නොකළ, අමු දත්ත සලකුණු කිරීම සඳහා AI ස්වයංක්රීය ලේබල් ආකෘතියක් සංවර්ධනය කරයි. ඉන්පසුව ඔවුන් තීරණය කරන්නේ එම ආකෘතිය ලේබල් කිරීම සුදුසු ලෙස යොදන්නේද යන්නයි. මිනිසුන් අසාර්ථක වීමෙන් පසු වැරදි නිවැරදි කර ඇල්ගොරිතම නැවත පුහුණු කරයි.
කෘතිම දත්ත සංවර්ධනය.
සැබෑ ලෝක දත්ත වෙනුවට, කෘතිම දත්ත කෘත්රිමව නිපදවන ලද ලේබල් දත්ත කට්ටලයකි. එය ඇල්ගොරිතම හෝ පරිගණක සමාකරණ මගින් නිපදවන අතර නිතර භාවිතා වේ යන්ත්ර ඉගෙනුම් ආකෘති පුහුණු කරන්න.
ලේබල් කිරීමේ ක්රියා පටිපාටිවල සන්දර්භය තුළ දත්ත හිඟකම සහ විවිධත්වය පිළිබඳ ගැටළු සඳහා කෘතිම දත්ත විශිෂ්ට පිළිතුරකි. නිර්මාණය කිරීම කෘතිම දත්ත මුල සිට විසඳුමක් ඉදිරිපත් කරයි.
අයිතම සමඟ ත්රිමාණ සැකසුම් නිර්මාණය කිරීම සහ ආකෘතිය අවට දත්ත කට්ටල සංවර්ධකයින් විසින් හඳුනා ගැනීමට හැකි විය යුතුය. ව්යාපෘතිය සඳහා අවශ්ය කෘත්රිම දත්ත ප්රමාණයක් ලබා දිය හැක.
දත්ත ලේබල් කිරීමේ අභියෝග
වැඩි කාලයක් හා වෑයමක් අවශ්ය වේ
විශාල දත්ත ප්රමාණයක් ලබා ගැනීමට අභියෝග කිරීමට අමතරව (විශේෂයෙන් සෞඛ්ය ආරක්ෂණය වැනි ඉහළ විශේෂිත කර්මාන්ත සඳහා), එක් එක් දත්ත කැබැල්ල අතින් ලේබල් කිරීම ශ්රම-දැඩි සහ වෙහෙසකාරී වන අතර, මානව ලේබල්කරුවන්ගේ සහාය අවශ්ය වේ.
ML සංවර්ධනයේ සමස්ත චක්රය පුරාවටම ව්යාපෘතියක් සඳහා වැය කරන කාලයෙන් 80%ක් පමණ වැය වන්නේ ලේබල් කිරීම ඇතුළත් දත්ත සැකසීම සඳහාය.
නොගැලපීම සඳහා ඇති හැකියාව
බොහෝ විට, බොහෝ පුද්ගලයන් එකම දත්ත කට්ටල ලේබල් කරන විට සිදු වන හරස් ලේබල් කිරීම, වැඩි නිරවද්යතාවයක් ඇති කරයි.
කෙසේ වෙතත්, පුද්ගලයන්ට සමහර විට විවිධ මට්ටමේ නිපුණතා ඇති බැවින්, ලේබල් කිරීමේ ප්රමිති සහ ලේබල් නොගැලපෙන ඒවා විය හැකිය, එය තවත් ගැටළුවකි, සමහර ටැග් සම්බන්ධයෙන් විවරණකරුවන් දෙදෙනෙකුට හෝ වැඩි ගණනකට එකඟ නොවිය හැකිය.
නිදසුනක් වශයෙන්, එක් විශේෂඥයෙකුට හෝටල් සමාලෝචනයක් වාසිදායක ලෙස ඇගයීමට ලක් කළ හැකි අතර තවත් අයෙකු එය උපහාසාත්මක ලෙස සලකන අතර එය අඩු ශ්රේණිගත කිරීමක් ලබා දෙයි.
වසම් දැනුම
සමහර අංශ සඳහා විශේෂිත කර්මාන්ත දැනුමක් ඇති ලේබල් කරන්නන් බඳවා ගැනීමේ අවශ්යතාවය ඔබට දැනෙනු ඇත.
නිදසුනක් වශයෙන්, සෞඛ්ය සේවා අංශය සඳහා ML යෙදුමක් නිර්මාණය කරන අතරතුර, අවශ්ය වසම් දැනුමකින් තොරව විවරණකරුවන්ට අයිතම සුදුසු ලෙස ටැග් කිරීම ඉතා අපහසු කාලයක් වනු ඇත.
වැරදි වලට නැඹුරු වීම
ඔබේ ලේබල් කරන්නන් කෙතරම් දැනුවත් සහ ප්රවේශම් වුවත්, අතින් ලේබල් කිරීම මානව වැරදිවලට යටත් වේ. විවරණකරුවන් විශාල අමු දත්ත කට්ටල සමඟ නිතර වැඩ කරන නිසා, මෙය නොවැළැක්විය හැකිය.
පුද්ගලයෙකු විවිධ දේවල් 100,000ක් දක්වා රූප 10ක් සටහන් කරනවා යැයි සිතන්න.
දත්ත ලේබල් කිරීමේ පොදු වර්ග
පරිගණක දැක්ම
ඔබේ පුහුණු දත්ත කට්ටලය සංවර්ධනය කිරීම සඳහා, ඔබ මුලින්ම පින්තූර, පික්සල හෝ ප්රධාන ස්ථාන ලේබල් කළ යුතුය, නැතහොත් පරිගණක දර්ශන පද්ධතියක් ගොඩනඟන විට සීමා කරන පෙට්ටියක් ලෙස හැඳින්වෙන ඩිජිටල් රූපයක් සම්පූර්ණයෙන්ම ආවරණය කරන සීමාවක් ස්ථාපිත කළ යුතුය.
අන්තර්ගතය (ඇත්ත වශයෙන්ම රූපය තුළම ඇති දේ) සහ ගුණාත්මකභාවය (නිෂ්පාදන එදිරිව ජීවන රටාවේ ඡායාරූප වැනි) ඇතුළුව ඡායාරූප විවිධ ආකාරවලින් වර්ග කළ හැක.
පික්සල් මට්ටමින් පින්තූර කොටස් වලටද බෙදිය හැක. මෙම පුහුණු දත්ත භාවිතයෙන් සංවර්ධනය කරන ලද පරිගණක දර්ශන ආකෘතිය පසුව ස්වයංක්රීයව පින්තූර වර්ගීකරණය කිරීමට, වස්තූන් පිහිටීම තීරණය කිරීමට, රූපයක ප්රධාන ප්රදේශ උද්දීපනය කිරීමට සහ රූප ඛණ්ඩනය කිරීමට භාවිතා කළ හැක.
ස්වාභාවික භාෂා සැකසුම්
ඔබේ ස්වාභාවික භාෂා සැකසුම් පුහුණු දත්ත කට්ටලය නිෂ්පාදනය කිරීමට පෙර, ඔබ අතින් අදාළ පාඨ කොටස් තෝරා ගැනීම හෝ නිශ්චිත ලේබල සහිත ද්රව්ය වර්ගීකරණය කළ යුතුය.
නිදසුනක් වශයෙන්, ඔබට කථන රටා හඳුනා ගැනීමට, ස්ථාන සහ පුද්ගලයන් වැනි නිසි නාම පද වර්ග කිරීමට සහ පින්තූර, PDF හෝ වෙනත් මාධ්යවල පෙළ හඳුනා ගැනීමට අවශ්ය විය හැකිය. ඔබට පෙළ බ්ලබ් එකක හැඟීම් හෝ අභිප්රාය තීරණය කිරීමටද අවශ්ය විය හැකිය.
මෙය සිදු කිරීම සඳහා ඔබේ පුහුණු දත්ත කට්ටලය තුළ ඇති පෙළ වටා මායිම් කොටු සාදන්න, ඉන්පසු එය අතින් පිටපත් කරන්න.
දෘශ්ය අක්ෂර හඳුනාගැනීම, ආයතන නාමය හඳුනා ගැනීම සහ හැඟීම් විශ්ලේෂණය යන සියල්ල ස්වභාවික භාෂා සැකසුම් ආකෘති භාවිතයෙන් සිදු කෙරේ.
ශ්රව්ය සැකසුම්
ශ්රව්ය සැකසුම් මඟින් සියලු වර්ගවල ශබ්ද ව්යුහගත ආකෘතියකට පරිවර්තනය කරයි, එවිට ඒවා යන්ත්ර ඉගෙනීමේදී කථනය, සත්ව ශබ්ද (පොත්ත, විසිල්, හෝ කිචිචි), සහ ගොඩනැගිලි ශබ්ද (කැඩුණු වීදුරු, ස්කෑන් කිරීම හෝ සයිරන්) ඇතුළුව භාවිත කළ හැක.
බොහෝ විට, ඔබට ශ්රව්ය හැසිරවීමට පෙර, ඔබ එය අතින් පෙළ බවට පරිවර්තනය කළ යුතුය. ඉන්පසුව, ශ්රව්යයට වර්ගීකරණය කිරීමෙන් සහ ටැග් එකතු කිරීමෙන්, ඔබට ඒ පිළිබඳ වඩාත් ගැඹුරු තොරතුරු ඉගෙන ගත හැකිය. ඔබගේ පුහුණු දත්ත කට්ටලය මෙය වර්ගීකරණය කරන ලද ශ්රව්ය වේ.
නිගමනය
අවසාන වශයෙන්, ඔබේ දත්ත හඳුනා ගැනීම ඕනෑම AI ආකෘතියක් පුහුණු කිරීමේ තීරණාත්මක කොටසකි. කෙසේ වෙතත්, වේගවත් සංවිධානයකට, එය කාලය ගතවන සහ බලශක්තිය වැය වන බැවින් එය අතින් සිදු කිරීමට කාලය ගත කිරීමට සරලව හැකියාවක් නැත.
මීට අමතරව, එය සාවද්යභාවයට ගොදුරු වන ක්රියා පටිපාටියක් වන අතර විශාල නිරවද්යතාවයක් පොරොන්දු නොවේ. එය එතරම් අපහසු විය යුතු නැත, එය විශිෂ්ට ප්රවෘත්තියකි.
වර්තමානයේ දත්ත ලේබල් කිරීමේ තාක්ෂණයන් විවිධ යන්ත්ර ඉගෙනුම් යෙදුම් සඳහා නිරවද්ය සහ ප්රයෝජනවත් දත්ත සැපයීම සඳහා මිනිසුන් සහ යන්ත්ර අතර සහයෝගීතාවයට හැකියාව ලබා දෙයි.
ඔබමයි