Apa Itu Pelabelan Data dan Mengapa Diperlukan untuk AI?

Algoritma AI yang baik dibangun di atas fondasi data berkualitas tinggi. Terlepas dari matematika kompleks yang terlibat dalam pengembangan algoritma tersebut, kekuatan sejati di balik AI terletak pada datanya.

Tanpa set data yang akurat, andal, dan lengkap, sistem AI tidak akan mencapai potensinya — “Garbage in, garbage out,” kata para praktisi. Banyak keajaiban di balik AI terletak pada kualitas data, itulah sebabnya pentingnya pelabelan data sangat ditekankan.

Dalam artikel ini, kita akan membahas lebih dalam tentang:

• Apa itu pelabelan data
• Mengapa pelabelan data diperlukan untuk AI
• Teknik pelabelan data
• Tantangan dalam pelabelan data
• Praktik terbaik pelabelan data

Memahami Pelabelan Data

Pelabelan data adalah proses mengidentifikasi dan menandai sampel data yang biasanya digunakan untuk melatih model machine learning (ML). Dengan kata lain, pelabelan data memberikan konteks bagi model ML untuk dipelajari.

Misalnya, sebuah set data berlabel dapat menunjukkan apakah seseorang memenuhi syarat untuk mendapatkan pinjaman, apa yang mereka ucapkan dalam rekaman audio, atau apakah sebuah rontgen mengandung tumor.

Pelabelan data dalam AI memiliki berbagai kegunaan. Kasus penggunaan yang lebih umum mencakup:

• Pelabelan gambar: mengidentifikasi dan menandai detail spesifik dalam sebuah gambar.

• Anotasi teks: memberikan label pada dokumen teks atau berbagai elemen isinya untuk mengidentifikasi karakteristik kalimat.

• Transkripsi audio: mengonversi ucapan dalam berkas audio menjadi teks tertulis.

• Anotasi video: memberi label atau menandai klip video yang digunakan untuk melatih model visi komputer guna mendeteksi atau mengenali objek.

Mengapa Pelabelan Data Diperlukan untuk AI

Karena banyak kasus penggunaan machine learning yang paling praktis saat ini memanfaatkan pembelajaran terawasi, pelabelan data memainkan peran penting dalam bidang AI.

Supervised learning adalah cabang machine learning yang memanfaatkan set data berlabel untuk melatih model agar memprediksi hasil dan mengenali pola. Tanpa data berlabel, sebagian besar model ML terawasi tidak mampu mempelajari pemetaan input-ke-output yang diperlukan untuk mengambil keputusan dan melakukan generalisasi ke contoh baru.

Setelah algoritma pembelajaran terawasi diberikan set data berlabel, ia siap memulai proses mempelajari pola mendasar dalam data, yang dikenal sebagai pelatihan model.

Jika data tidak diberi label dengan benar, model akan mempelajari pola yang keliru. Dengan demikian, kualitas model ML yang digunakan untuk pelatihan model sangat bergantung pada ketepatan label kebenaran dasar yang ditetapkan selama pelabelan data.

Dengan memberi label sampel data secara akurat, model machine learning memiliki peluang yang baik untuk mempelajari pola yang sangat bermakna guna membuat prediksi yang lebih berkualitas.

Teknik dan Alat Pelabelan Data

Salah satu keputusan pertama yang harus dibuat oleh pimpinan proyek saat memulai proyek AI baru adalah bagaimana data akan diberi label. Meskipun ada beberapa nuansa, keputusan mereka sering kali masuk ke dalam salah satu dari tiga kategori.

• Pelabelan data manual
• Pelabelan data semi-otomatis
• Pelabelan data otomatis

Mengidentifikasi pendekatan pelabelan data mana yang paling efektif untuk proyek yang dikerjakan bergantung pada pemahaman masing-masing pendekatan, termasuk kelebihan dan kekurangannya.

Pelabelan data manual

Teknik standar untuk mengembangkan set data pelatihan adalah pelabelan data manual. Ini terdiri dari memanfaatkan keahlian subjek untuk menelaah setiap titik data dan menetapkan label secara manual.

Pelabelan data manual sangat efektif dalam skenario di mana konsekuensi kegagalan tinggi. Misalnya, meminta sekelompok dokter memberi label gambar rontgen secara manual untuk mengembangkan model yang memprediksi apakah ada kanker akan memastikan datanya lebih andal.

Kelebihan:

• Kemampuan menangkap kasus tepi
• Pemberi label yang sangat terampil dapat memberikan label yang presisi dan konsisten
• Jaminan kualitas data yang lebih baik

Kekurangan:

• Memerlukan banyak waktu dan upaya
• Biaya tinggi terkait perekrutan pemberi label data profesional

Perlu dicatat bahwa pelabelan manual juga dapat dilakukan secara eksternal (misalnya, pekerja sementara dan kontraktor), yang disebut crowdsourcing.

Pelabelan data semi-otomatis

Memadukan kekuatan keahlian manusia yang terotomasi dan efisiensi mesin dikenal sebagai pelabelan data semi-otomatis.

Yakni, pelabelan semi-otomatis mendefinisikan proses memberi label data dengan memanfaatkan machine learning untuk memberi label data secara cepat lalu melibatkan pemberi label manusia untuk meninjau dan mengoreksi kesalahan yang dibuat algoritma.

Proses ini secara signifikan mempercepat pelabelan data sekaligus menjaga kualitas data. Contoh alat yang memungkinkan hal ini antara lain Labelbox dan SuperAnnotate.

Kelebihan:

• Ahli manusia dapat turun tangan saat mesin tidak memadai
• Dapat mengurangi biaya dan waktu secara signifikan dibandingkan pelabelan data manual

Kekurangan:

• Dapat menimbulkan derau, ambiguitas, dan inkonsistensi karena label awal mungkin tidak cukup presisi, relevan, atau menyeluruh untuk datanya.
• Jumlah pengawasan, umpan balik, dan iterasi manusia yang mungkin diperlukan dapat berdampak pada skalabilitas dan efisiensi data.

Pelabelan data otomatis

Pelabelan data otomatis adalah saat pemberi label manusia benar-benar tidak terlibat dalam proses pelabelan data. Dalam pelabelan data otomatis, model machine learning melatih diri sendiri. Artinya, model menyimpulkan aturan pelabelan dari sampel data dan menerapkannya pada instance yang tidak berlabel.

Kelebihan:

• Kecepatan pemrosesan sangat cepat
• Hemat biaya
• Konsistensi dalam pelabelan
• Sangat dapat diskalakan

Kekurangan:

• Tantangan saat memberi label pada data yang belum pernah terlihat
• Satu kesalahan pelabelan dapat meningkatkan probabilitas kesalahan di masa depan.

Perbandingan teknik pelabelan data

Pada tabel di bawah, kami membandingkan berbagai teknik pelabelan data berdasarkan informasi di atas:

Tantangan dan Pertimbangan dalam Pelabelan Data

Proses pelabelan data menghadirkan sejumlah tantangan yang dapat berdampak signifikan pada kinerja dan keandalan sistem AI.

Menskalakan pelabelan data untuk set data besar

Pelabelan data manual menjadi praktis tidak memungkinkan seiring pertumbuhan set data. Ini disebabkan oleh biaya membayar pemberi label data yang meningkat secara eksponensial dan batasan waktu yang tidak realistis untuk menyelesaikan tugas.

Dalam kasus seperti ini, pelabelan data otomatis menjadi sebuah keharusan. Meski demikian, pelabelan data otomatis memiliki tantangannya sendiri, seperti menangani berbagai jenis data dan menerapkan pola pelabelan yang konsisten.

Menangani data tidak terstruktur dan berderau

Data dari dunia nyata jarang terorganisasi rapi. Sering kali dipenuhi derau dan mungkin kehilangan informasi kunci. Bahkan bisa sama sekali tidak relevan. Pra-pemrosesan data yang ekstensif diperlukan sebelum proses pelabelan data sebenarnya agar data siap digunakan.

Gambar dibuat oleh penulis menggunakan Midjourney

Walau menambah waktu proyek, ini merupakan aspek yang diperlukan karena ada pemberi label berisiko tinggi yang dapat tersesat oleh data yang berantakan, sehingga kemungkinan besar menghasilkan label yang tidak akurat.

Poin utamanya adalah bahwa pembersihan dan pra-pemrosesan data merupakan bagian yang diperlukan dari pipeline pelabelan data, namun kegiatan tersebut pada dirinya sendiri sulit dilakukan.

Implikasi biaya dan keterbatasan anggaran

Salah satu metode pelabelan data yang paling banyak digunakan adalah pelabelan data manual. Meskipun memungkinkan tim AI memanfaatkan pengetahuan pakar domain, menangkap kasus tepi, dan memberikan label yang konsisten, proses ini juga bisa memakan waktu dan melelahkan.

Gambar dibuat oleh penulis menggunakan Midjourney

Seperti disebutkan di atas, biaya yang terkait dengan perekrutan pemberi label manusia yang terampil akan meningkat seiring bertambahnya ukuran data. Proses ini tidak mudah diskalakan.

Ambiguitas dan subjektivitas

Hambatan signifikan dalam pelabelan data adalah subjektivitas dan ambiguitas pada pekerjaan pelabelan tertentu. Pemberi label data dapat menafsirkan adegan yang sama secara berbeda, yang mengarah pada anotasi yang tidak konsisten pada tugas pengenalan gambar, misalnya.

Perbedaan ini dapat mengurangi kualitas data berlabel dan menimbulkan derau, yang dapat mengompromikan ketangguhan dan akurasi model AI.

Aplikasi Dunia Nyata dari Pelabelan Data

Kita telah menetapkan bahwa pelabelan data sangat penting dalam membantu model machine learning bekerja secara efektif.

Berikut beberapa aplikasi dunia nyata utama untuk menggambarkan di mana pelabelan data dapat diterapkan:

• Kendaraan otonom: Pelabelan data sangat penting untuk melatih kendaraan otonom dan swakemudi. Kendaraan seperti ini mampu mendeteksi dan merespons objek, pejalan kaki, rambu jalan, dan aspek lain di jalan berkat data berlabel dari sensor, kamera, dan sistem Lidar, sehingga memastikan operasi yang aman dan andal.
• Kesehatan: Pelabelan data sangat penting untuk berbagai aplikasi di industri kesehatan. Pelabelan citra medis membantu diagnosis dan perencanaan perawatan dengan mengenali tumor atau kelainan pada MRI dan rontgen. Rekam medis elektronik didukung oleh data pasien yang dianotasi, yang membantu pengambilan keputusan bagi tenaga medis.
• eCommerce: Sistem rekomendasi produk di e-commerce sangat bergantung pada pelabelan data. Ini mencakup pemahaman perilaku konsumen, preferensi, dan deskripsi produk. Pelabelan yang tepat meningkatkan keterlibatan pengguna dan mendorong penjualan dengan memberikan rekomendasi produk yang relevan.
• Media sosial: Pelabelan data menjadi dasar moderasi konten media sosial. Konten yang dianggap ofensif atau berbahaya ditandai dalam unggahan dan komentar. Hasilnya, internet menjadi lebih aman dan lebih mudah digunakan.
• Layanan keuangan: Data transaksi berlabel digunakan dalam layanan keuangan untuk penilaian risiko dan deteksi penipuan. Pelabelan data melindungi konsumen dan lembaga keuangan dengan membantu penilaian risiko secara akurat dan mengidentifikasi pola yang tidak lazim dari potensi aktivitas penipuan.
• Penerjemahan bahasa: Pelabelan data teks digunakan oleh layanan penerjemahan bahasa untuk memfasilitasi terjemahan yang tepat. Model penerjemahan mesin meningkatkan akurasi dan efektivitas melalui pelatihan dengan set data terjemahan berlabel.

Praktik Terbaik untuk Proyek Pelabelan Data

Di bagian ini, kami akan membahas beberapa praktik terbaik untuk membantu tim AI mencapai kualitas, konsistensi, dan efisiensi dalam proses pelabelan data mereka.

Tentukan pedoman pelabelan yang jelas dan spesifik

Pedoman pelabelan adalah instruksi yang menentukan bagaimana data harus diberi label. Misalnya, sebelum memberi label pada gambar, tim AI harus menentukan apa yang membuat suatu sampel masuk ke kategori tertentu, bagaimana menangani gambar yang sebagian atau tertutup, dan bagaimana memberi label pada objek yang tidak penting atau latar belakang.

Dengan dukungan pedoman pelabelan yang tepat dan terperinci, akurasi dan keandalan data berlabel dapat ditingkatkan, dan subjektivitas serta variabilitas proses pelabelan dapat dikurangi.

Latih dan pantau pemberi label

Pemberi label data harus dilatih dan dipantau untuk memastikan mereka mengikuti pedoman pelabelan dan menghasilkan label berkualitas tinggi. Penegakan praktik ini membantu memastikan pemberi label mempertahankan konsistensi dan kualitas dalam pelabelan data mereka.

Pelatihan mencakup pemberian informasi latar belakang, contoh, umpan balik, dan dukungan kepada pemberi label untuk membantu mereka memahami tugas pelabelan secara efektif. Sebaliknya, pemantauan melibatkan pengukuran dan evaluasi kinerja pemberi label dalam hal akurasi, kecepatan, tingkat kesepakatan, dan retensi, serta menangani hambatan apa pun yang mungkin timbul selama proses pelabelan.

Validasi dan tingkatkan label

Data berlabel harus divalidasi setelah proses pelabelan data selesai untuk memastikan bahwa data tersebut memenuhi kebutuhan dan harapan tim AI — jika belum, perbaiki.

Perlu dicatat bahwa validasi mencakup pemeriksaan akurasi, kelengkapan, keragaman, cakupan, dan konsistensi data berlabel, serta keandalan dan kesepakatan para pemberi label. Praktik ini dapat membedakan data yang berguna dan yang tidak berguna serta menentukan ketangguhan dan kinerja model machine learning.

Pertimbangan Etika dalam Pelabelan Data

Untuk menjamin prosedur yang tidak memihak dan adil, penting untuk memahami isu-isu etika seputar pelabelan data.

Mendeteksi dan mengatasi potensi bias, memahami dampak data bias pada algoritma machine learning, serta menelaah isu etika seperti persetujuan, privasi, dan keadilan merupakan langkah-langkah penting dalam mengembangkan praktik pelabelan data yang bertanggung jawab dan etis.

Menempatkan etika data sebagai prioritas saat memberi label data sangat penting untuk menciptakan sistem AI yang lebih adil dan andal.

Privasi

Salah satu implikasi etis dari pelabelan data adalah privasi. Kehati-hatian harus dilakukan saat menganotasi data sensitif, termasuk nama dan alamat. Prosedur persetujuan yang tepat harus diterapkan karena individu harus dapat memberikan persetujuan yang diinformasikan untuk pelabelan dan penggunaan lebih lanjut atas data mereka.

Bias

Saat bias diperkenalkan selama proses pelabelan data, integritas dan keadilan set data berlabel dapat terganggu. Masalah ini dapat timbul karena prasangka yang dimiliki oleh pemberi label, yang berasal dari konsep yang sudah terbentuk sebelumnya tentang gender, etnis, atau status sosial ekonomi individu.

Karena potensi bias ini dapat mendistorsi data berlabel, diskriminasi dan ketidaksetaraan berpeluang terus berlanjut.

Data berlabel yang bias tanpa mempertimbangkan pertimbangan etis dapat berdampak negatif pada kinerja dan hasil algoritma machine learning. Prasangka dan diskriminasi yang lazim di masyarakat kemungkinan akan tercermin dan diperkuat oleh algoritma yang dilatih pada informasi yang tidak akurat.

Keadilan

Pelabelan yang adil adalah isu etika lainnya — ini berarti memperlakukan semua orang dan setiap kelompok secara setara. Jika beragam pendapat didengar, stereotip ditantang, dan gagasan baru dipertimbangkan, pelabelan yang tidak adil dapat dihindari atau diminimalkan.

Dampak potensial dari keputusan pelabelan pada berbagai komunitas harus dipertimbangkan dengan cermat, dan setiap prasangka atau perlakuan tidak adil harus ditangani.

Kesimpulan

Pelabelan data adalah langkah penting dalam menciptakan model machine learning berkinerja tinggi. Meskipun dari luar tampak sederhana, penerapannya merupakan tantangan yang sulit. Perusahaan kini harus mempertimbangkan berbagai variabel dan teknik untuk memutuskan strategi pelabelan yang terbaik. Evaluasi menyeluruh terhadap kompleksitas tugas, beserta ukuran, ruang lingkup, dan durasi proyek, direkomendasikan karena setiap metode pelabelan data memiliki kelebihan dan kekurangan.

Anda dapat terus mempelajari AI dan pentingnya pelabelan data melalui sumber daya DataCamp lainnya:

• AI Fundamentals skill track
• Apa itu data tanpa label?
• Menangani data kategorikal machine learning dengan Python