Ce înseamnă Augmentarea datelor
Augmentarea datelor înseamnă înmulțirea artificială a datelor de antrenare prin mici modificări ale exemplelor existente. Pentru o imagine: o rotești puțin, o oglindești, o decupezi, schimbi luminozitatea sau adaugi zgomot. Pentru sunet: schimbi viteza sau adaugi zgomot de fond. Pentru text: reformulezi propoziții sau le traduci într-o limbă și înapoi.
Ideea este că o pisică rămâne pisică și dacă poza e puțin mai întunecată sau răsturnată pe orizontală. Arătându-i modelului aceste variații, îl înveți să se concentreze pe ce contează și reduci overfitting-ul.
Cum funcționează
Transformările se aplică de obicei „din zbor”, la fiecare epocă, astfel încât modelul vede mereu variante ușor diferite ale aceleiași imagini. Etichetele rămân aceleași.
Transformările trebuie să respecte sensul datelor. Oglindirea e bună pentru poze cu animale, dar nu pentru litere sau cifre („b” devine „d”), iar rotirea cu 180° transformă un „6” într-un „9”. La radiografii, oglindirea poate muta inima pe partea greșită a corpului.
Pe înțelesul tuturor
Un profesor care vrea să te învețe să recunoști un cuvânt îl scrie de mână, cu tipar, cu majuscule, mai mic, mai mare și ușor înclinat. Nu ai învățat cuvinte noi, dar acum îl recunoști oricum ar fi scris.
Exemplu
Un atelier de croitorie are 1.000 de poze cu defecte de țesătură. Prin rotiri ușoare, decupări și variații de lumină, fiecare poză produce încă 5 variante, deci modelul vede practic 6.000 de exemple. Pe un set de test cu poze noi, acuratețea crește de la 81% la 89%, pentru că modelul nu mai depinde de lumina exactă din atelier.
De reținut
- Augmentarea creează variații ale datelor reale, păstrând eticheta.
- Reduce overfitting-ul și face modelul mai robust la condiții reale.
- Transformările trebuie alese astfel încât să nu schimbe sensul exemplului.
Nu confunda
- Augmentare vs. date sintetice: augmentarea pornește de la un exemplu real; datele sintetice sunt generate integral.
Termeni înrudiți
- Date sintetice: Date create artificial, prin simulări sau de modele AI, folosite pentru antrenare când datele reale sunt puține, scumpe sau sensibile.
- Overfitting (supraînvățare): Situația în care un model memorează datele de antrenare, cu tot cu zgomot, și apoi greșește pe date noi.
- Regularizare: Familie de tehnici care împiedică un model să devină prea complicat, ca să nu memoreze datele de antrenare (overfitting).
- Date de antrenare: Exemplele din care învață un model AI: texte, imagini, sunete sau tabele. Calitatea lor decide în mare măsură calitatea modelului.
- Computer vision (vedere artificială): Ramura AI care învață calculatoarele să „vadă”: să recunoască obiecte, fețe, text și mișcare în imagini și video.