Qu'est-ce qu'une donnée étiquetée ?

Les données étiquetées sont des données brutes auxquelles on a attribué une ou plusieurs étiquettes pour leur donner un contexte ou une signification. Dans le domaine de l'apprentissage automatique et de l'intelligence artificielle, ces étiquettes servent souvent de cible pour le modèle à prédire. Les données étiquetées sont fondamentales car elles constituent la base de l'apprentissage supervisé, une approche populaire pour former des modèles d'apprentissage automatique plus précis et plus efficaces.

Les données étiquetées expliquées

Alors que les données non étiquetées consistent en des entrées brutes sans résultat désigné, les données étiquetées sont exactement le contraire. Les données étiquetées sont soigneusement annotées avec des étiquettes significatives qui classent les éléments ou les résultats des données. Par exemple, dans un ensemble de données d'e-mails, chaque e-mail peut être étiqueté comme "spam" ou "non spam". Ces étiquettes fournissent ensuite un guide clair à un algorithme d'apprentissage automatique.

Supposons que nous ayons une tâche de reconnaissance faciale. Les données non étiquetées consistent en un ensemble d'images faciales sans aucune information d'identification. À l'inverse, les données étiquetées dans ce scénario comprendraient les mêmes images faciales avec les étiquettes d'identification correspondantes, c'est-à-dire le nom de la personne sur chaque image. Ainsi, un modèle d'apprentissage automatique peut apprendre à associer des caractéristiques faciales particulières à des individus spécifiques.

Quels sont les avantages de l'utilisation de données étiquetées ?

• Des parcours d'apprentissage clairs. Avec des données étiquetées, un modèle d'apprentissage automatique peut facilement trouver des modèles entre les entrées et les sorties correspondantes. Cette reconnaissance des formes est cruciale dans des tâches telles que les systèmes de reconnaissance vocale où les formes d'ondes audio (entrée) sont associées à des transcriptions textuelles (étiquette).
• Plus grande précision. Les données étiquetées permettent généralement d'obtenir des modèles plus précis, car l'algorithme d'apprentissage dispose d'un résultat cible clair pour chaque entrée. Par exemple, en imagerie médicale, si les images sont étiquetées avec le bon diagnostic, le modèle peut apprendre à prédire les bons diagnostics avec une grande précision.
• Évaluation efficace. Les données étiquetées permettent une évaluation directe des performances du modèle. En comparant les prédictions du modèle aux étiquettes réelles, nous pouvons quantifier la qualité de l'apprentissage du modèle.

Quelles sont les limites de l'utilisation de données étiquetées ?

• Temps et efforts. L'étiquetage des données peut être un processus long, gourmand en ressources et coûteux, en particulier pour les données complexes telles que les images. Par exemple, l'annotation manuelle d'une seule image radiologique peut prendre beaucoup de temps, surtout si elle nécessite les connaissances d'un spécialiste.
• Biais ou inexactitude des étiquettes. Si les personnes qui étiquettent les données ont des préjugés, ces préjugés peuvent se refléter dans les étiquettes et donc influencer les décisions du modèle d'apprentissage automatique. Les erreurs d'étiquetage peuvent également être dues à une erreur humaine ou à des incohérences dans les critères d'étiquetage, ce qui peut avoir une incidence sur la précision des modèles d'apprentissage automatique.
• Disponibilité limitée. Les données étiquetées ne sont pas toujours disponibles pour certaines tâches ou certains domaines, ce qui peut limiter le développement de modèles d'apprentissage automatique. Cela est particulièrement vrai pour les niches ou les domaines spécialisés où les données étiquetées peuvent être rares.

Approches de l'étiquetage des données

• Étiquetage manuel des données. Comme son nom l'indique, cette approche implique que des humains étiquettent manuellement les données. Bien qu'elle puisse être très précise, cette méthode prend du temps et est coûteuse, en particulier pour les grands ensembles de données.
• Étiquetage semi-automatique des données. Cette méthode combine l'intelligence humaine et l'apprentissage automatique. Un algorithme étiquette d'abord les données, puis des humains corrigent les erreurs. Cette méthode est plus rapide que l'étiquetage manuel, mais elle peut encore comporter des erreurs si l'étiquetage initial de l'algorithme était inexact.
• Le crowdsourcing. Cette approche utilise la puissance de la foule pour étiqueter les données, souvent par l'intermédiaire de plateformes comme Amazon Mechanical Turk. Il s'agit d'une méthode rentable, mais la qualité peut varier car les personnes qui étiquettent les données ne sont pas forcément des experts dans le domaine.

Exemples de cas d'utilisation des données étiquetées dans le monde réel

• Systèmes de reconnaissance d'images. Les images étiquetées sont utilisées pour former des modèles qui identifient les objets, les personnes et les activités. Par exemple, Google Photos utilise des données étiquetées pour reconnaître et classer vos photos par personne ou par lieu.
• Filtres anti-spam. Les services de messagerie électronique utilisent des ensembles de données d'e-mails étiquetés comme "spam" ou "non spam" pour entraîner leurs algorithmes de détection du spam.
• Véhicules autonomes. Les données étiquetées, telles que les images avec des objets identifiés (par exemple, des piétons, d'autres véhicules), aident à former les voitures autonomes à comprendre leur environnement.

Outils d'étiquetage des données en libre accès

1. Label Studio. L'outil d'étiquetage le plus flexible pour affiner les LLM, préparer les données d'entraînement et valider les modèles d'IA, avec une interface conviviale.
2. Outil universel de données. Il peut être utilisé sur différentes plateformes pour créer et étiqueter des ensembles de données constitués d'images, de sons, de textes, de vidéos et de documents. Il utilise un format de données ouvert.
3. Paresse. Un outil d'étiquetage des images et des données vidéo pour la recherche en vision par ordinateur. Prend en charge les annotations complexes et exporte vers tous les principaux formats.
4. doccano. Il offre des outils d'annotation faciles à utiliser pour la classification des textes, l'étiquetage des séquences et les tâches de séquence à séquence.
5. Audino. Fournit des fonctions de transcription et d'étiquetage pour annoter les données vocales pour la VAD, la diarisation, la reconnaissance vocale, la reconnaissance des émotions.
6. Outil d'annotation de la vision par ordinateur. Un outil interactif d'annotation de vidéos et d'images pour les tâches de vision par ordinateur. Permet d'annoter image par image et d'effectuer des actions en bloc.

Importance des données étiquetées dans le monde moderne

L'étiquetage des données et le crowdsourcing sont devenus essentiels pour développer des modèles d'apprentissage automatique basés sur les données. S'il est relativement facile d'étiqueter des données tabulaires à l'aide de feuilles de calcul, des difficultés surgissent lorsqu'il s'agit d'étiqueter des centaines d'images, de textes ou d'échantillons audio. Les taux d'erreur sont souvent élevés et nécessitent des outils spécialisés. C'est pourquoi les principales plateformes de ML proposent des fonctions d'étiquetage des données, comme celles de DagsHub Label Studio et d'Amazon SageMaker Ground Truth.

L'accès à de vastes ensembles de données de haute qualité est devenu essentiel pour construire des modèles d'apprentissage automatique basés sur les données. L'augmentation de la complexité des modèles s'accompagne de la nécessité de disposer de quantités massives de données étiquetées.

Les projets open-source le reconnaissent et s'appuient sur les efforts de crowdsourcing pour obtenir les données étiquetées nécessaires au développement de produits tels que ChatGPT. Par exemple, Open Assistant, un chatbot open-source, utilise des données étiquetées par des volontaires.

Les ensembles de données étiquetées sont en passe de devenir l'élément vital de l'IA moderne. La disponibilité d'un grand nombre de données d'entraînement a permis des avancées révolutionnaires dans des domaines tels que la vision artificielle, le traitement du langage naturel et la reconnaissance vocale. Les données étiquetées étant le nouveau pétrole, les applications modernes dépendent d'annotations de haute qualité pour alimenter les progrès continus de l'intelligence artificielle.

Vous souhaitez en savoir plus sur l'IA et l'apprentissage automatique ? Consultez les ressources suivantes :

• Comprendre l'apprentissage automatique
• Cours sur l'IA
• Guide de l'apprentissage supervisé
• Apprendre le cours de chatGPT
• Qu'est-ce que l'apprentissage automatique ?