Gegevensetikettering

Definitie

Datalabeling is het proces waarbij categorieën, tags of kenmerken aan ruwe data worden toegewezen, zodat machine learning-modellen ervan kunnen leren. Het is essentieel voor supervised learning.

Doel

Het doel is om ruwe datasets bruikbaar te maken voor training en evaluatie. Labels bieden de 'antwoorden' die modellen nodig hebben tijdens het leren.

Belang

• Van cruciaal belang voor het bouwen van nauwkeurige, begeleide ML-modellen.
• Slechte etikettering vermindert de betrouwbaarheid van het systeem.
• Vaak arbeidsintensief en kostbaar.
• Vereist domeinexpertise op gebieden als geneeskunde of recht.

Hoe het werkt

1. Taken definiëren en schema's labelen.
2. Segmenteer ruwe data in eenheden (afbeeldingen, zinnen, audioclips).
3. Wijs labels handmatig of via semi-automatische hulpmiddelen toe.
4. Voer kwaliteitscontroles en tests van overeenkomsten tussen annotatoren uit.
5. Exporteer gelabelde datasets voor training.

Voorbeelden (echte wereld)

• Shaip: labelgegevens voor zelfrijdende voertuigen.
• Kaggle-datasets: gelabeld voor ML-wedstrijden.
• Radiologiebeelddatasets: gelabeld door medische experts.

Referenties / Verder lezen

• Gegevensannotatie voor AI — NIST.
• Datasets annoteren en labelen — IEEE Transactions on Data Engineering.
• ISO/IEC 24617: Semantisch annotatiekader — ISO.
• Wat is datalabeling? Alles wat een beginner moet weten – Shaip