Ce înseamnă Etichetarea datelor
Etichetarea datelor (sau adnotarea) înseamnă adăugarea de informații corecte la datele brute, pentru ca un model să poată învăța din ele. O fotografie primește eticheta „pisică”, un e-mail primește eticheta „spam”, o înregistrare audio primește transcrierea exactă, iar într-o imagine din trafic se desenează dreptunghiuri în jurul fiecărui pieton.
Etichetele sunt „răspunsurile de la finalul culegerii” pentru învățarea supervizată. Fără ele, modelul nu are cum să știe ce trebuia să răspundă. De calitatea lor depinde direct calitatea modelului: etichete greșite înseamnă un model care învață greșit.
Etichetarea este adesea muncă manuală, făcută de mii de oameni, uneori prin platforme de sarcini mici plătite la bucată. Setul ImageNet, de exemplu, a fost etichetat cu ajutorul platformei Amazon Mechanical Turk. Pentru domenii specializate, precum radiografiile, este nevoie de experți, iar etichetarea devine scumpă.
Cum funcționează
Se stabilește întâi un ghid clar: ce categorii există și cum se tratează cazurile ambigue. Etichetatorii lucrează apoi în aplicații dedicate, iar adesea același exemplu este etichetat de mai multe persoane, ca dezacordurile să fie depistate și rezolvate.
Pentru a reduce costurile, se folosesc tot mai mult metode semi-automate: un model face o primă etichetare, iar oamenii doar verifică și corectează. La modelele de limbaj, o formă specială de etichetare este compararea răspunsurilor: oamenii aleg care dintre două răspunsuri este mai bun, iar aceste preferințe sunt folosite în RLHF.
Pe înțelesul tuturor
Etichetarea seamănă cu pregătirea unor cartonașe pentru învățat cuvinte: pe o parte e poza, pe cealaltă denumirea corectă. Copilul (modelul) învață bine doar dacă pe spatele cartonașelor scrie ce trebuie.
Exemplu
O firmă care dezvoltă un model de citire automată a facturilor scanate angajează operatori care marchează, pe câteva mii de facturi, unde se află codul fiscal al furnizorului, data, totalul și TVA-ul. Pe baza acestor etichete, modelul învață să găsească singur aceleași informații pe facturi noi.
De reținut
- Etichetele sunt răspunsurile corecte din care învață un model supervizat.
- Etichetarea este adesea manuală, lentă și scumpă, mai ales în domenii specializate.
- Etichetele greșite sau inconsecvente strică modelul.
Nu confunda
- Etichetare vs. colectarea datelor: colectarea adună exemplele brute; etichetarea adaugă la ele răspunsul corect.
- Etichetă vs. tag pe rețelele sociale: eticheta de antrenare este informația pe care modelul o folosește ca răspuns corect, nu un cuvânt-cheie pentru căutare.
Termeni înrudiți
- Învățare supervizată: Metoda de machine learning în care modelul învață din exemple care au deja atașat răspunsul corect.
- Date de antrenare: Exemplele din care învață un model AI: texte, imagini, sunete sau tabele. Calitatea lor decide în mare măsură calitatea modelului.
- Set de date (dataset): O colecție organizată de exemple (texte, imagini, tabele) folosită pentru a antrena, verifica sau compara modele AI.
- RLHF (învățare din feedback uman): Metodă de antrenare prin care un model de limbaj învață ce răspunsuri preferă oamenii, din comparațiile făcute de evaluatori.
- Human in the loop: Un mod de a construi sisteme AI în care un om verifică, aprobă sau corectează deciziile importante înainte să aibă efect.