Pregătirea datelor umane pentru învățarea automată este intensivă din punct de vedere al resurselor: aceste două abordări sunt critice pentru reducerea costurilor

De: Dattaraj Rao, Șef de știință a datelor, Persistent Systems

La fel ca orice sistem care depinde de intrări de date, învățarea automată (ML) este supusă axiomei “gunoi la intrare, gunoi la ieșire”. Datele curate și etichetate cu acuratețe sunt fundamentul pentru construirea oricărui model ML. Un algoritm de antrenare ML înțelege modelele din datele de bază și de acolo, învață modalități de a generaliza datele nevizionate. Dacă calitatea datelor dvs. de antrenare este scăzută, atunci va fi foarte dificil pentru algoritmul ML să învețe continuu și să extrapoleze.

Gândiți-vă la acest lucru în termeni de antrenare a unui câine. Dacă nu reușiți să antrenați corect câinele cu comenzi comportamentale fundamentale (intrări) sau faceți acest lucru incorect/inexact, nu vă puteți aștepta ca câinele să învețe și să se extindă prin observație în comportamente pozitive mai complexe, deoarece intrările de bază erau lipsă sau defecte, pentru a începe. Antrenamentul corespunzător necesită timp și poate fi costisitor dacă aduceți un expert, dar rezultatul este mare dacă faceți acest lucru corect de la început.

Când antrenați un model ML, crearea de date de calitate necesită un expert în domeniu să petreacă timp etichetând datele. Acest lucru poate include selectarea unei ferestre cu obiectul dorit într-o imagine sau atribuirea unei etichete unei intrări de text sau a unui înregistrară din baza de date. În special pentru date nestructurate, cum ar fi imagini, videoclipuri și text, calitatea etichetării joacă un rol major în determinarea calității modelului. De obicei, datele neetichetate, cum ar fi imaginile brute și textul, sunt abundente, dar etichetarea este acolo unde efortul trebuie să fie optimizat. Acesta este partea “omul în buclă” a ciclului de viață ML și, de obicei, este cea mai scumpă și intensivă parte a oricărui proiect ML.

Uneltele de etichetare a datelor, cum ar fi Prodigy, Amazon Sagemaker Ground Truth, NVIDIA RAPIDS și DataRobot human-in-the-loop, se îmbunătățesc constant în ceea ce privește calitatea și oferă interfețe intuitive pentru experții în domeniu. Cu toate acestea, minimizarea timpului necesar experților în domeniu pentru a eticheta date rămâne o provocare semnificativă pentru întreprinderile de astăzi, în special într-un mediu în care talentele în știința datelor sunt limitate, dar foarte solicitate. Aici intervin două abordări noi pentru pregătirea datelor.

Învățarea activă

Învățarea activă este o metodă prin care un model ML solicită activ un expert în domeniu pentru anumite etichetări. Aici, accentul nu se pune pe obținerea unei etichetări complete pentru datele neetichetate, ci mai degrabă pe obținerea punctelor de date corecte etichetate, astfel încât modelul să poată învăța mai bine. Luați, de exemplu, domeniul sănătății și științelor vieții, o companie de diagnostic care se specializează în detectarea timpurie a cancerului pentru a ajuta clinicienii să ia decizii informate și bazate pe date despre îngrijirea pacienților. Ca parte a procesului de diagnostic, aceștia trebuie să eticheteze imagini CT cu tumori care trebuie evidențiate.

După ce modelul ML învață din câteva imagini cu blocuri de tumori marcate, cu învățarea activă, modelul va solicita utilizatorilor să eticheteze doar imaginile în care nu este sigur de prezența unei tumori. Acestea vor fi puncte de frontieră, care, atunci când sunt etichetate, vor crește încrederea modelului. În cazul în care modelul este sigur peste un anumit prag, va face o auto-etichetare, în loc să solicite utilizatorului să eticheteze. Acesta este modul în care învățarea activă încearcă să ajute la construirea unor modele precise, reducând în același timp timpul și efortul necesare pentru etichetarea datelor. Cadrele precum modAL pot ajuta la creșterea performanței de clasificare, solicitând în mod inteligent experților în domeniu să eticheteze instanțele cele mai informative.

Supervizarea slabă

Supervizarea slabă este o abordare în care datele zgomotoase și imprecise sau conceptele abstracte pot fi utilizate pentru a oferi indicații pentru etichetarea unei cantități mari de date ne-supervizate. Această abordare utilizează, de obicei, etichetări slabe și încearcă să le combine într-o abordare de ansamblu pentru a construi date etichetate de calitate. Efortul este de a încorpora cunoștințele de domeniu într-o activitate de etichetare automată.

De exemplu, dacă un furnizor de servicii internet (ISP) avea nevoie de un sistem pentru a marca seturi de date de e-mail ca spam sau non-spam, am putea scrie reguli slabe, cum ar fi verificarea frazelor precum “ofertă”, “felicitări”, “gratuit”, etc., care sunt, de obicei, asociate cu e-mailurile spam. Alte reguli ar putea fi e-mailuri de la anumite modele de adrese de sursă care pot fi căutate folosind expresii regulate. Aceste funcții slabe ar putea fi combinate apoi de un cadru de supervizare slabă, cum ar fi Snorkel și Skweak, pentru a construi date de antrenare de calitate îmbunătățită.

Învățarea automată, în esență, se referă la ajutarea companiilor să scaleze procesele exponențial în moduri care sunt fizic imposibile de realizat manual. Cu toate acestea, învățarea automată nu este magică și încă se bazează pe oameni pentru a) configura și antrena modelele corect de la început și b) interveni atunci când este necesar pentru a se asigura că modelul nu devine atât de înclinațional încât rezultatele să nu mai fie utile și pot fi contraproductive sau negative.

Scopul este de a găsi modalități care să ajute la simplificarea și automatizarea părților implicate ale implicării umane pentru a crește timpul de piață și rezultatele, dar în același timp, pentru a rămâne în limitele acurateței optime. Este universal acceptat că obținerea de date etichetate de calitate este cea mai scumpă, dar extrem de importantă parte a unui proiect ML. Acesta este un spațiu în evoluție, și multe eforturi sunt în desfășurare pentru a reduce timpul petrecut de experții în domeniu și pentru a îmbunătăți calitatea etichetărilor datelor. Explorarea și valorificarea învățării active și a supervizării slabe este o strategie solidă pentru a atinge acest lucru în multiple industrii și cazuri de utilizare.