İçeriğe geç
parazade
Yapay Zeka

Veri Etiketleme Nedir?

İngilizce: Data Labeling

Yayın: · Son güncelleme:

Veri Etiketleme Nedir? Kısaca

Veri etiketleme, ham verilere (görsel, metin, ses) modelin öğrenmesi gereken doğru cevabı belirten etiketler ekleme işlemidir ve denetimli öğrenmenin temel ön adımıdır.

Veri Etiketleme nedir?
İçindekiler
  1. Etiket türleri
  2. Etiketleme nasıl yapılır?
  3. Nelere dikkat etmeli?

Veri etiketleme (data labeling), bir veri örneğine "doğru cevabın ne olduğunu" ekleme işidir. Örneğin bir fotoğrafa "kedi" yazmak, bir müşteri yorumunu "olumsuz" diye işaretlemek ya da bir ses kaydının metnini yazmak etiketlemedir. Bu etiketli örnekler denetimli öğrenme ile model eğitmek için kullanılır.

Etiket türleri

  • Sınıf etiketi: Örneğin bir e-postanın "spam" ya da "spam değil" olarak işaretlenmesi.
  • Sınırlayıcı kutu: Görseldeki nesnenin etrafına kutu çizmek (nesne tespiti için).
  • Segmentasyon: Görseldeki her pikselin hangi nesneye ait olduğunu boyamak.
  • Metin işaretleme: Cümledeki kişi, şirket, tarih gibi öğeleri belirtmek.
  • Transkripsiyon: Ses kaydını yazıya dökmek.
  • Tercih etiketi: İki model cevabından hangisinin daha iyi olduğunu seçmek (RLHF'de kullanılır).

Etiketleme nasıl yapılır?

Etiketleme çoğu zaman insanlar tarafından, özel araçlarla yapılır. Kaliteyi artırmak için:

  1. Açık ve örnekli bir etiketleme kılavuzu hazırlanır.
  2. Aynı örnek birden fazla kişiye etiketletilir, uyuşmazlıklar incelenir.
  3. Rastgele örneklerle kalite kontrolü yapılır.

Zaman kazanmak için bir model ön etiket önerir, insan yalnızca düzeltir. Bazen sentetik veri de kullanılır.

Nelere dikkat etmeli?

Etiketleme pahalı ve zaman alıcıdır; tıp gibi alanlarda uzman bilgisi gerekir. Tutarsız veya hatalı etiketler model başarısını doğrudan düşürür. Etiketleyicilerin kişisel önyargıları da veriye yansıyabilir. Kişisel veri içeren örnekler etiketlenirken gizlilik kurallarına uyulmalıdır.

Sıkça Sorulan Sorular

Her yapay zekâ modeli etiketli veri ister mi?

Hayır. Denetimsiz ve öz-denetimli yöntemler etiketsiz veriden öğrenir; büyük dil modellerinin ön eğitimi buna örnektir. Ancak ince ayar ve değerlendirme aşamalarında yine de etiketli veri sıkça kullanılır.

Yapay zekâ veriyi kendi etiketleyebilir mi?

Kısmen. Bir model başka veriler için ön etiket önerebilir ve bu iş hızlanır. Yine de hataları yakalamak için insan kontrolü genellikle gereklidir.

İlgili terimler

Eğitim Verisi(Training Data)Eğitim verisi, bir makine öğrenmesi modelinin kalıpları öğrenmek için kullandığı örneklerin bütünüdür; modelin ne bildiğini, ne kadar doğru olduğunu ve hangi önyargıları taşıdığını büyük ölçüde belirler.Denetimli Öğrenme(Supervised Learning)Denetimli öğrenme, modelin girdi ile doğru cevabın birlikte verildiği etiketli örneklerden öğrenerek yeni girdiler için doğru cevabı tahmin etmeyi öğrendiği makine öğrenmesi türüdür.RLHF(Reinforcement Learning from Human Feedback)RLHF (insan geri bildirimiyle pekiştirmeli öğrenme), insanların model cevaplarını karşılaştırarak verdiği tercihlerle bir ödül modeli eğitip dil modelini bu ödüle göre ayarlama yöntemidir.Sentetik Veri(Synthetic Data)Sentetik veri, gerçek olaylardan ya da kişilerden doğrudan toplanmak yerine algoritmalar veya yapay zekâ modelleri tarafından üretilen, ancak gerçek verinin istatistiksel özelliklerini taklit eden veridir.Görüntü Tanıma(Image Recognition)Görüntü tanıma (image recognition), bir yapay zekâ sisteminin fotoğraf ya da videodaki nesneleri, yüzleri, hayvanları, yazıları veya sahneleri tespit edip tanımlamasıdır. Bilgisayarlı görünün temel görevlerinden biridir.Yapay Zekâ Okuryazarlığı(AI Literacy)Yapay zekâ okuryazarlığı (AI literacy), yapay zekânın temel olarak nasıl çalıştığını anlama, araçları amaca uygun ve güvenli biçimde kullanma, çıktılarını eleştirel değerlendirme ve etik riskleri fark etme becerilerinin bütünüdür.

İlgili yazılar