ანოტაცია (Data annotation / labeling)

ანოტაცია (Data annotation / labeling) – მონაცემების მარკირება: მაგალითად, ფოტოზე აღინიშნება, რომ მასზე კატაა. ასეთ მონაცემებზე მოდელი სწავლობს.

როგორ მუშაობს ანოტაცია

ანოტაციისას ადამიანები ან სპეციალური ინსტრუმენტები მონაცემს „ეტიკეტს“ ანიჭებენ: სურათზე მონიშნავენ ობიექტებს, ტექსტს მიუწერენ თემას ან განწყობას, აუდიოს კი გადაწერენ ტექსტად. ასეთი მონიშნული მონაცემები ზედამხედველობითი სწავლების საფუძველია, რადგან მოდელი ხედავს როგორც შეკითხვას, ისე სწორ პასუხს.

მაგალითი ყოველდღიური ცხოვრებიდან

თუ გვინდა მოდელმა ფოტოებზე კატები და ძაღლები გაარჩიოს, ჯერ ათასობით ფოტოს მიეწერება სწორი ეტიკეტი: „კატა“ ან „ძაღლი“. ელფოსტის სპამ-ფილტრიც ასე სწავლობს: წერილები მონიშნულია როგორც „სპამი“ ან „ჩვეულებრივი“.

რატომ არის ანოტაცია მნიშვნელოვანი

• ხარისხი – ცუდად მონიშნული მონაცემი მოდელს შეცდომებს ასწავლის.
• ხარჯი – ხელით ანოტაცია დიდ დროსა და შრომას მოითხოვს.
• უსაფრთხოება – ადამიანური შეფასებები გამოიყენება მოდელების ქცევის გასაუმჯობესებლადაც, მაგალითად RLHF-ში.

ანოტაციის სახეები

ანოტაცია მონაცემის ტიპის მიხედვით განსხვავდება. სურათებზე ხშირად ობიექტებს ჩარჩოებით მონიშნავენ ან თითოეულ პიქსელს მიაკუთვნებენ კლასს, რასაც სეგმენტაცია ჰქვია. ტექსტში აღნიშნავენ თემას, განწყობას, პირების და ორგანიზაციების სახელებს. აუდიოს შემთხვევაში ანოტატორი ჩანაწერს სიტყვასიტყვით გადაწერს და მიუთითებს, ვინ ლაპარაკობს.

დიდი ენობრივი მოდელების ეპოქაში ანოტაციის ახალი ფორმა გაჩნდა: ადამიანები წერენ სანიმუშო პასუხებს ან ადარებენ მოდელის ორ პასუხს და ირჩევენ უკეთესს. ხარისხის დასაცავად ერთსა და იმავე მონაცემს ხშირად რამდენიმე ადამიანი ნიშნავს, ხოლო სადავო შემთხვევებს ცალკე განიხილავენ. ანოტატორებისთვის მკაფიო ინსტრუქციის შედგენა თავადაც მნიშვნელოვანი სამუშაოა, რადგან ბუნდოვანი წესები არათანმიმდევრულ ეტიკეტებს იწვევს.

ანოტაციის ხარისხის შესამოწმებლად ხშირად ზომავენ, რამდენად ეთანხმებიან ერთმანეთს სხვადასხვა ანოტატორი ერთსა და იმავე მაგალითზე. თუ თანხმობა დაბალია, ეს ნიშნავს, რომ ამოცანა ბუნდოვანია ან ინსტრუქცია დასახვეწია. ასევე გავრცელებულია აქტიური სწავლება: მოდელი თავად ირჩევს მაგალითებს, რომლებშიც ყველაზე ნაკლებად არის დარწმუნებული, და ადამიანებს სწორედ მათ მონიშვნას სთხოვს, რაც შრომას ზოგავს.

დაკავშირებული ტერმინები

დატასეტი · ზედამხედველობითი სწავლება · კლასიფიკაცია · RLHF · სინთეტიკური მონაცემები · AI ლექსიკონი

ხშირად დასმული კითხვები

შეჯამება

ანოტაცია მონაცემების მონიშვნაა, რომლის გარეშეც ბევრი AI მოდელი ვერ ისწავლიდა. რაც უფრო ზუსტია ეტიკეტები, მით უკეთესია მოდელი.