Persiapan Data Manusia untuk Pembelajaran Mesin Adalah Sumber Daya-Intensif: Dua Pendekatan Ini Sangat Penting untuk Mengurangi Biaya

Oleh: Dattaraj Rao, Kepala Ilmuwan Data, Persistent Systems

Seperti halnya sistem yang bergantung pada input data, Pembelajaran Mesin (ML) tunduk pada aksioma “sampah-masuk-sampah-keluar.” Data yang bersih dan dilabeli dengan akurat adalah fondasi untuk membangun model ML apa pun. Algoritma pelatihan ML memahami pola dari data kebenaran dan dari sana, belajar cara menggeneralisasi data yang tidak terlihat. Jika kualitas data pelatihan Anda rendah, maka akan sangat sulit bagi algoritma ML untuk terus belajar dan mengextrapolasi.

Bayangkan ini dalam hal melatih anjing peliharaan. Jika Anda gagal melatih anjing dengan perintah perilaku dasar (input) atau melakukannya secara tidak benar/tidak akurat, Anda tidak pernah bisa mengharapkan anjing untuk belajar dan berkembang melalui pengamatan menjadi perilaku positif yang lebih kompleks karena input dasar tidak ada atau bermasalah sejak awal. Pelatihan yang tepat membutuhkan waktu dan bahkan biaya jika Anda meminta ahli, tetapi hasilnya besar jika Anda melakukannya dengan benar dari awal.

Saat melatih model ML, membuat data berkualitas memerlukan ahli domain untuk menghabiskan waktu mengannotasi data. Ini mungkin termasuk memilih jendela dengan objek yang diinginkan dalam gambar atau menetapkan label ke entri teks atau catatan database. Terutama untuk data tidak terstruktur seperti gambar, video, dan teks, kualitas anotasi memainkan peran besar dalam menentukan kualitas model. Biasanya, data tidak berlabel seperti gambar mentah dan teks melimpah – tetapi pelabelan adalah tempat upaya perlu dioptimalkan. Ini adalah bagian manusia-dalam-lingkaran dari siklus hidup ML dan biasanya adalah bagian paling mahal dan memakan waktu dari proyek ML apa pun.

Alat anotasi data seperti Prodigy, Amazon Sagemaker Ground Truth, NVIDIA RAPIDS, dan DataRobot human-in-the-loop terus membaik dalam kualitas dan menyediakan antarmuka yang intuitif untuk ahli domain. Namun, meminimalkan waktu yang dibutuhkan oleh ahli domain untuk mengannotasi data masih merupakan tantangan besar bagi perusahaan saat ini – terutama dalam lingkungan di mana bakat ilmu data terbatas tetapi sangat dibutuhkan. Inilah tempat dua pendekatan baru untuk persiapan data berperan.

Pembelajaran Aktif

Pembelajaran aktif adalah metode di mana model ML secara aktif meminta anotasi spesifik dari ahli domain. Di sini, fokusnya bukan pada mendapatkan anotasi lengkap pada data tidak berlabel, tetapi hanya mendapatkan titik data yang tepat yang dianotasi sehingga model dapat belajar lebih baik. Ambil contoh perusahaan di bidang kesehatan & ilmu kehidupan, sebuah perusahaan diagnostik yang berspesialisasi dalam deteksi kanker dini untuk membantu klinisi membuat keputusan berdasarkan data. Sebagai bagian dari proses diagnosis, mereka perlu mengannotasi gambar CT scan dengan tumor yang perlu disoroti.

Setelah model ML belajar dari beberapa gambar dengan blok tumor yang ditandai, dengan pembelajaran aktif, model akan kemudian hanya meminta pengguna untuk mengannotasi gambar di mana ia tidak yakin tentang keberadaan tumor. Ini akan menjadi titik batas, yang ketika dianotasi akan meningkatkan kepercayaan model. Di mana model percaya di atas ambang tertentu, ia akan melakukan anotasi mandiri daripada meminta pengguna untuk mengannotasi. Ini adalah bagaimana pembelajaran aktif mencoba membantu membangun model akurat sambil mengurangi waktu dan upaya yang dibutuhkan untuk mengannotasi data. Kerangka seperti modAL dapat membantu meningkatkan kinerja klasifikasi dengan meminta ahli domain untuk melabeli instance yang paling informatif.

Pengawasan Lemah

Pengawasan lemah adalah pendekatan di mana data bising dan tidak tepat atau konsep abstrak dapat digunakan untuk memberikan indikasi untuk melabeli sejumlah besar data tidak terawasi. Pendekatan ini biasanya menggunakan labeler lemah dan mencoba menggabungkannya dalam pendekatan ensemble untuk membangun data anotasi berkualitas. Upaya ini adalah untuk mencoba menggabungkan pengetahuan domain ke dalam kegiatan pelabelan otomatis.

Contohnya, jika Penyedia Layanan Internet (ISP) membutuhkan sistem untuk menandai dataset email sebagai spam atau tidak spam, kita bisa menulis aturan lemah seperti memeriksa frasa seperti “penawaran”, “selamat”, “gratis”, dll., yang sebagian besar terkait dengan email spam. Aturan lain bisa berupa email dari pola alamat sumber tertentu yang dapat dicari dengan ekspresi reguler. Fungsi lemah ini kemudian dapat digabungkan oleh kerangka pengawasan lemah seperti Snorkel dan Skweak untuk membangun data pelatihan berkualitas yang lebih baik.

ML pada intinya adalah tentang membantu perusahaan menskalakan proses secara eksponensial dengan cara yang tidak mungkin dilakukan secara manual. Namun, ML tidak ajaib dan masih bergantung pada manusia untuk a) mengatur dan melatih model dengan benar dari awal dan b) melakukan intervensi ketika diperlukan untuk memastikan model tidak menjadi terlalu miring sehingga hasilnya tidak lagi berguna dan mungkin kontraproduktif atau negatif.

Tujuannya adalah untuk menemukan cara yang membantu mempermudah dan mengotomatisasi bagian dari keterlibatan manusia untuk meningkatkan waktu-ke-pasar dan hasil tetapi tetap dalam batas optimal akurasi. Ini secara universal diterima bahwa mendapatkan data anotasi berkualitas adalah bagian paling mahal tetapi sangat penting dari proyek ML. Ini adalah ruang yang terus berkembang, dan banyak upaya sedang dilakukan untuk mengurangi waktu yang dihabiskan oleh ahli domain dan meningkatkan kualitas anotasi data. Menjelajahi dan memanfaatkan pembelajaran aktif dan pengawasan lemah adalah strategi solid untuk mencapai ini di berbagai industri dan kasus penggunaan.