Etykietowanie danych
Zaktualizowano:
Etykietowanie danych (ang. data labeling lub data annotation) polega na ręcznym lub półautomatycznym oznaczaniu cech w danych, które mają być rozpoznane przez algorytm uczenia maszynowego. Dla obrazów może to być zaznaczanie obiektów ramkami ograniczającymi (bounding box), segmentacja pikselowa lub kategoryzacja całego obrazu. W przypadku tekstu, etykietowanie może obejmować identyfikację nazwanych encji, analizę sentymentu czy klasyfikację dokumentów. Dane audio mogą być etykietowane pod kątem transkrypcji mowy, identyfikacji mówców czy detekcji dźwięków.
Proces ten jest fundamentalny dla uczenia nadzorowanego, gdzie model uczy się mapować dane wejściowe na pożądane dane wyjściowe na podstawie dostarczonych par przykładów (dane wejściowe + poprawna etykieta). Jakość etykietowanych danych ma bezpośredni wpływ na wydajność i dokładność trenowanego modelu AI. Błędy w etykietowaniu mogą prowadzić do błędów w działaniu modelu.
Etykietowanie danych często wykonywane jest przez anotatorów – ludzi, którzy posiadają wiedzę dziedzinową lub są przeszkoleni w specyficznych wytycznych etykietowania. Istnieją również narzędzia i techniki półautomatyczne, które wspomagają ten proces, np. poprzez wstępne etykietowanie danych przez model, a następnie weryfikację i korektę przez człowieka (tzw. human-in-the-loop). Celem jest stworzenie dużych, spójnych i dokładnych zestawów danych treningowych.