veri etiketleme, sürücüsüz araçların çevreyi tanımayı öğrenmesi için ham görüntü ve yol sahnelerini işlenebilir eğitim verisine çevirme işi. sensörün gördüğü şey, insan emeğiyle kullanılabilir örneğe dönüşüyor. aeon'daki örnekte kenya, filipinler ve venezuela'daki düşük ücretli emek küresel kuzeyin sürücüsüz geleceğini besliyor. etikette otomobilin zekâsı, fişte bu işin ücreti ve çalışma koşulları var.
kaynak: aeon.co
etiket kalitesi, dosya sayısıyla değil, aynı örneğe bakan etiketçilerin ne kadar sık aynı sonuca vardığıyla anlaşılır. kolay örnekler çoğaldıkça genel uyum yüksek görünebilir; zor ve sınırdaki örnekler ayrıca incelenmiyorsa bu ortalama yanıltır. yönergenin belirsiz durumları nasıl ele aldığı, anlaşmazlıkların nasıl çözüldüğü ve hangi örneklerin yeniden denetlendiği görünür olmalıdır.
ilk bakışta mesele doğru etiketi bulmak. bir dakika, etiketçinin kararsız örneği işaretleyip değerlendirmeye gönderebileceği yol da tanımlı olmalı; zorunlu seçim, sınırdaki görüntüyü temiz bir sınıfa iter ve model bu belirsizliği gerçek örüntü sanabilir.
her değişikliğin hangi sürümde geçerli olduğu ve ne zaman yapıldığı veriyle birlikte tutulmadığında, etiketlerin hangi ölçütle üretildiği anlaşılamaz. proje ortasında sınıf tanımları veya örnekleme ölçütleri değişirse, eski ve yeni etiketler aynı veri kümesinde yan yana durur; modelin davranışındaki farkın ne kadarının öğrenmeden, ne kadarının etiketleme düzeninden geldiği belirsizleşir.
kâğıt üzerinde aynı örneği yeniden etiketlemek küçük bir düzeltme gibi görünür, sahada bunun ücretli yeniden çalışma, kalite kontrol ve eski veriyi ayıklama zamanı vardır. hangi kuralın ne zaman geçerli olduğu tutulmazsa veri kümesi büyür ama geçmişi silinir.
etiketçiler aynı sonuca varabilirken sınıflandırma yine de yanlış kurulmuş olabilir. bütün ekip, dünyadaki belirsiz bir durumu zorla iki sınıfa ayıran kusurlu yönergeyi düzenli biçimde uygulayabilir; kalite incelemesinde sınır örneklerin bağımsız bir ölçütle karşılaştırılması, hangi yanlışların kabul edilemez sayıldığı ve etiketlerin gerçek kullanım sonucunu bozup bozmadığı ayrıca izlenmeli.
etiketleme kalitesi, sınıfların veri içindeki ağırlığına göre de okunmalı. örneklerin büyük kısmı tek sınıftaysa, o sınıfı doğru işaretlemek genel başarıyı yükseltir; nadir sınıftaki sistematik hatalar ortalamada kaybolabilir. ya sınıf başına hata ve örnek seçimi ayrıca izlenir, ya da düzgün görünen veri kümesi kritik örnekleri eksik taşır. sayıların hepsi doğru olabilir; dağılım yine yanlış hikâye anlatır.
tutmuyor; veri etiketlemede örneğin bağlamını budayıp kararı kolaylaştırmak, modeli dünyadan kopuk bir vitrine alıştırıyor. bir aracın yalnız tekerleğini gösterip onu bütün araç sanmak gibi, kırpılmış görüntüde doğru sınıf bulunabilir ama gerçek sahnede hangi ipucuna bakılacağı kaybolur. sınırdaki örneklerin kadrajını ve çevresini korumak, yönergeye bir madde daha eklemekten bazen daha değerli.
Bu başlığa yazmak için giriş yapın.