Hispanopedia WikiLos datos etiquetados son un grupo de muestras que han sido marcadas con una o más etiquetas. El etiquetado generalmente toma un conjunto de datos sin etiquetar y complementa cada pieza con etiquetas informativas llamadas juicios . Por ejemplo, una etiqueta de datos podría indicar si una foto contiene un caballo o una vaca, qué palabras se pronunciaron en una grabación de audio, qué tipo de acción se realiza en un video, cuál es el tema de un artículo de noticias, cuál es el sentimiento general de un tuit o si un punto en una radiografía es un tumor.
Las etiquetas se pueden obtener haciendo que los humanos emitan juicios sobre un determinado conjunto de datos sin etiquetar. [ 1 ] Los datos etiquetados son significativamente más costosos de obtener que los datos brutos sin etiquetar.
La calidad de los datos etiquetados influye directamente en el rendimiento de los modelos de aprendizaje automático supervisado en funcionamiento, ya que estos modelos aprenden de las etiquetas proporcionadas. [ 2 ]
Datos etiquetados obtenidos mediante crowdsourcing
En 2006, Fei-Fei Li , codirectora del Instituto de IA Centrada en el Ser Humano de Stanford , inició una investigación para mejorar los modelos y algoritmos de inteligencia artificial para el reconocimiento de imágenes mediante la ampliación significativa de los datos de entrenamiento . Los investigadores descargaron millones de imágenes de la World Wide Web y un equipo de estudiantes de pregrado comenzó a aplicar etiquetas de objetos a cada imagen. En 2007, Li subcontrató el trabajo de etiquetado de datos a Amazon Mechanical Turk , un mercado en línea para trabajos digitales por encargo. Los 3,2 millones de imágenes que fueron etiquetadas por más de 49 000 trabajadores constituyeron la base de ImageNet , una de las bases de datos más grandes etiquetadas manualmente para el reconocimiento de contornos de objetos . [ 3 ]
Etiquetado automático de datos
Después de obtener un conjunto de datos etiquetados, se pueden aplicar modelos de aprendizaje automático a los datos para que se puedan presentar nuevos datos sin etiquetar al modelo y se pueda adivinar o predecir una etiqueta probable para ese dato sin etiquetar. [ 4 ]
Desafíos
Sesgo basado en datos
La toma de decisiones algorítmica está sujeta a sesgos impulsados por el programador, así como a sesgos impulsados por los datos. Los datos de entrenamiento que se basan en datos etiquetados con sesgos darán lugar a prejuicios y omisiones en un modelo predictivo , a pesar de que el algoritmo de aprendizaje automático sea legítimo. Los datos etiquetados utilizados para entrenar un algoritmo de aprendizaje automático específico deben ser una muestra estadísticamente representativa para no sesgar los resultados. [ 5 ] Por ejemplo, en los sistemas de reconocimiento facial, los grupos subrepresentados a menudo se clasifican erróneamente si los datos etiquetados disponibles para el entrenamiento no han sido representativos de la población. En 2018, un estudio de Joy Buolamwini y Timnit Gebru demostró que dos conjuntos de datos de análisis facial que se han utilizado para entrenar algoritmos de reconocimiento facial, IJB-A y Adience, están compuestos por un 79,6 % y un 86,2 % de personas de piel clara, respectivamente. [ 6 ]
Error humano e inconsistencia
Los anotadores humanos son propensos a cometer errores y sesgos al etiquetar datos. Esto puede generar etiquetas inconsistentes y afectar la calidad del conjunto de datos. La inconsistencia puede afectar la capacidad del modelo de aprendizaje automático para generalizar correctamente. [ 7 ]
Experiencia en el dominio
Ciertos campos, como el análisis de documentos legales o las imágenes médicas , requieren anotadores con conocimientos especializados del dominio. Sin esta experiencia, las anotaciones o los datos etiquetados pueden ser inexactos, lo que afecta negativamente el rendimiento del modelo de aprendizaje automático en un escenario del mundo real. [ 8 ]
Véase también
Referencias
- ↑ "¿Qué es el etiquetado de datos? - Explicación del etiquetado de datos - AWS" . Amazon Web Services, Inc. Consultado el 16 de julio de 2024 .
- ↑ Fredriksson, Teodor; Mattos, David Issa; Bosch, Jan; Olsson, Helena Holmström (2020), "Etiquetado de datos: una investigación empírica sobre los desafíos industriales y las estrategias de mitigación" , en Morisio, Maurizio; Torchiano, Marco; Jedlitschka, Andreas (eds.), Product-Focused Software Process Improvement , vol. 12562, Cham: Springer International Publishing, pp. 202–216 , doi : 10.1007/978-3-030-64148-1_13 , ISBN 978-3-030-64147-4, consultado el 13 de julio de 2024
- ↑ Mary L. Gray; Siddharth Suri (2019). Trabajo fantasma: Cómo evitar que Silicon Valley cree una nueva subclase global . Houghton Mifflin Harcourt. pág. 7. ISBN 978-1-328-56628-7.
- ↑ Johnson, Leif. "¿Cuál es la diferencia entre datos etiquetados y no etiquetados?" , Stack Overflow , 4 de octubre de 2013. Recuperado el 13 de mayo de 2017. Este artículo incorpora texto de lmjohns3 disponible bajo la licencia CC BY-SA 3.0 .
- ↑ Xianhong Hu; Bhanu Neupane; Lucia Flores Echaiz; Prateek Sibal; Macarena Rivera Lam (2019). Orientando la IA y las TIC avanzadas para las sociedades del conocimiento: una perspectiva de derechos, apertura, acceso y múltiples partes interesadas . UNESCO Publishing. pág. 64. ISBN 978-92-3-100363-9.
- ↑ Xianhong Hu; Bhanu Neupane; Lucia Flores Echaiz; Prateek Sibal; Macarena Rivera Lam (2019). Orientando la IA y las TIC avanzadas para las sociedades del conocimiento: una perspectiva de derechos, apertura, acceso y múltiples partes interesadas . UNESCO Publishing. pág. 66. ISBN 978-92-3-100363-9.
- ^ Geiger, R. Estuardo; Hacer frente, Dominique; Ip, Jamie; Lotosh, Marsha; Shah, Aayush; Weng, Jenny; Tang, Rebeca (5 de noviembre de 2021). "«Basura entra, basura sale» revisitado: ¿Qué informan los artículos de aplicaciones de aprendizaje automático sobre los datos de entrenamiento etiquetados por humanos? . Estudios de Ciencia Cuantitativa . 2 (3): 795– 827. arXiv : 2107.02278 . doi : 10.1162/qss_a_00144 . ISSN 2641-3337 .
- ^ Alzubaidi, Laith; Bai, Jinshuai; Al-Sabaawi, Aiman; Santamaría, José; Albahri, AS; Al-dabbagh, Bashar Sami Nayyef; Fadhel, Mohammed A.; Manoufali, Mohamed; Zhang, Jinglan; Al-Timemy, Ali H.; Duan, Ye; Abdullah, Amjed; Farhan, Laith; Lu, Yi; Gupta, Ashish (14 de abril de 2023). "Una encuesta sobre herramientas de aprendizaje profundo que abordan la escasez de datos: definiciones, desafíos, soluciones, consejos y aplicaciones" . Revista de Big Data . 10 (1): 46. doi : 10.1186/s40537-023-00727-2 . ISSN 2196-1115 .
- Aprendizaje automático