Was sind gelabelte Daten?

Gelabelte Daten sind Rohdaten, denen ein oder mehrere Labels zugeordnet wurden, um Kontext oder Bedeutung zu schaffen. In der Künstlichen Intelligenz und im Machine Learning dienen diese Labels oft als Ziel, das ein Modell vorhersagen soll. Gelabelte Daten sind grundlegend, denn sie bilden die Basis für das überwachte Lernen – einen gängigen Ansatz, um genauere und leistungsfähigere Modelle zu trainieren.

Gelabelte Daten erklärt

Während ungelabelte Daten aus Rohinputs ohne festgelegtes Ergebnis bestehen, gilt für gelabelte Daten das Gegenteil. Sie werden sorgfältig mit aussagekräftigen Tags, also Labels, versehen, die Elemente oder Ergebnisse der Daten klassifizieren. In einem E-Mail-Datensatz könnte zum Beispiel jede Nachricht als "Spam" oder "Kein Spam" markiert sein. Diese Labels liefern dann eine klare Orientierung, von der ein Machine-Learning-Algorithmus lernen kann.

Angenommen, wir haben eine Gesichtserkennungsaufgabe. Ungelabelte Daten wären eine Menge von Gesichtsaufnahmen ohne Identifikationsinformationen. Gelabelte Daten in diesem Szenario enthalten dieselben Bilder, jedoch mit zugehörigen Identifikations-Tags, also dem Namen der Person auf jedem Bild. So kann ein Modell lernen, bestimmte Gesichtszüge mit konkreten Personen zu verknüpfen.

Welche Vorteile bieten gelabelte Daten?

• Klare Lernpfade. Mit gelabelten Daten kann ein Modell Muster zwischen Eingaben und den zugehörigen Ausgaben leichter erkennen. Diese Mustererkennung ist entscheidend, etwa bei Spracherkennungssystemen, in denen Audiosignale (Input) mit Transkripten (Label) verknüpft werden.
• Höhere Genauigkeit. Gelabelte Daten führen in der Regel zu präziseren Modellen, weil der Lernalgorithmus für jede Eingabe ein klares Ziel kennt. In der medizinischen Bildgebung kann ein Modell z. B. sehr genau Diagnosen vorhersagen, wenn die Bilder mit der korrekten Diagnose gelabelt sind.
• Effiziente Auswertung. Mit gelabelten Daten lässt sich die Modellleistung direkt bewerten. Indem wir die Vorhersagen des Modells mit den tatsächlichen Labels vergleichen, können wir messen, wie gut es lernt.

Welche Einschränkungen gibt es bei gelabelten Daten?

• Zeit- und Ressourcenaufwand. Daten zu labeln kann langwierig, ressourcenintensiv und kostspielig sein – besonders bei komplexen Daten wie Bildern. Die manuelle Annotation eines einzelnen radiologischen Bildes kann erheblich Zeit beanspruchen, vor allem wenn dafür Fachwissen nötig ist.
• Bias oder Ungenauigkeit in Labels. Haben die Personen, die labeln, Vorurteile, spiegeln sich diese in den Labels wider und beeinflussen so die Entscheidungen des Modells. Fehler können auch durch menschliche Irrtümer oder uneinheitliche Kriterien entstehen und die Genauigkeit beeinträchtigen.
• Begrenzte Verfügbarkeit. Für bestimmte Aufgaben oder Domänen stehen gelabelte Daten nicht immer zur Verfügung. Das kann die Entwicklung von ML-Modellen ausbremsen – besonders in Nischenbereichen, in denen es an gelabelten Daten mangelt.

Ansätze für das Data Labeling

• Manuelles Labeling. Wie der Name sagt, labeln hier Menschen die Daten per Hand. Das kann sehr genau sein, ist aber zeitaufwendig und teuer, vor allem bei großen Datensätzen.
• Semi-automatisches Labeling. Dieser Ansatz kombiniert menschliche Intelligenz mit Machine Learning. Ein Algorithmus vergibt zunächst Labels, danach korrigieren Menschen die Fehler. Das ist schneller als rein manuelles Labeling, kann aber Fehler enthalten, wenn die automatische Vorlabelung ungenau war.
• Crowdsourcing. Hier wird die "Schwarmkraft" genutzt, oft über Plattformen wie Amazon Mechanical Turk. Das ist kosteneffizient, aber die Qualität variiert, da die Labelnden nicht zwingend Fachexpert:innen sind.

Beispiele für Anwendungsfälle gelabelter Daten

• Bilderkennungssysteme. Gelabelte Bilder trainieren Modelle, die Objekte, Personen und Aktivitäten identifizieren. Google Photos nutzt beispielsweise gelabelte Daten, um Fotos nach Personen oder Orten zu erkennen und zu sortieren.
• Spam-Filter. E-Mail-Dienste trainieren ihre Erkennungsalgorithmen mit Datensätzen, in denen E-Mails als "Spam" oder "Kein Spam" gelabelt sind.
• Autonomes Fahren. Gelabelte Daten – etwa Bilder mit identifizierten Objekten (z. B. Fußgänger, andere Fahrzeuge) – helfen selbstfahrenden Autos, ihre Umgebung zu verstehen.

Open-Source-Tools für Data Labeling

1. Label Studio. Das flexibelste Labeling-Tool, um LLMs zu finetunen, Trainingsdaten aufzubereiten und KI-Modelle zu validieren – mit einer nutzerfreundlichen Oberfläche.
2. Universal Data Tool. Lässt sich auf verschiedenen Plattformen einsetzen, um Datensätze aus Bildern, Audio, Text, Videos und Dokumenten zu erstellen und zu labeln. Verwendet ein offenes Datenformat.
3. Sloth. Ein Tool zum Labeln von Bild- und Videodaten für die Computer-Vision-Forschung. Unterstützt komplexe Annotationen und den Export in alle gängigen Formate.
4. doccano. Bietet leicht bedienbare Annotationstools für Textklassifikation, Sequenzlabeling und Sequence-to-Sequence-Aufgaben.
5. Audino. Stellt Funktionen für Transkription und Labeling bereit, um Sprachdaten für VAD, Diarisierung, Spracherkennung und Emotionserkennung zu annotieren.
6. Computer Vision Annotation Tool. Ein interaktives Video- und Bild-Annotationstool für Computer-Vision-Aufgaben. Ermöglicht Frame-by-Frame-Annotationen und Sammelaktionen.

Bedeutung gelabelter Daten in der modernen Welt

Data Labeling und Crowdsourcing sind zentral geworden, um datengetriebene ML-Modelle zu entwickeln. Während sich tabellarische Daten relativ einfach in Tabellenkalkulationen labeln lassen, entstehen Herausforderungen beim Labeln von Hunderten Bildern, Texten oder Audiodateien. Die Fehlerraten sind oft hoch und erfordern spezialisierte Tools. Daher bieten große ML-Plattformen Labeling-Funktionen an, etwa in DagsHub Label Studio und Amazon SageMaker Ground Truth.

Der Zugang zu großen, hochwertigen Datensätzen ist essenziell, um datengetriebene ML-Modelle zu bauen. Mit steigender Modellkomplexität wächst auch der Bedarf an riesigen Mengen gelabelter Daten.

Open-Source-Projekte erkennen das und setzen auf Crowdsourcing, um die gelabelten Daten zu erhalten, die sie für Produkte wie ChatGPT benötigen. Open Assistant, ein Open-Source-Chatbot, nutzt beispielsweise von Freiwilligen gelabelte Daten.

Gelabelte Datensätze werden rasant zum Lebenselixier moderner KI. Die Verfügbarkeit umfangreicher, kuratierter Trainingsdaten hat Durchbrüche in Bereichen wie Computer Vision, Natural Language Processing und Spracherkennung ermöglicht. Mit "Labeled Data als neuem Öl" sind moderne Anwendungen auf hochwertige Annotationen angewiesen, um den Fortschritt in der Künstlichen Intelligenz weiter voranzutreiben.

Du willst mehr über KI und Machine Learning lernen? Dann schau dir diese Ressourcen an:

• Kurs "Understanding Machine Learning"
• Kurs "Understanding AI"
• Leitfaden zum überwachten Lernen
• Kurs "Learn ChatGPT"
• Was ist Machine Learning?