Anotación de datos

TLDR: La anotación de datos asigna etiquetas a datos sin procesar: imágenes, texto, audio o video. Esas etiquetas son lo que los modelos de aprendizaje automático aprenden.

La anotación de datos es el proceso de etiquetar datos sin procesar. Los anotadores añaden etiquetas significativas o metadatos a cada punto de datos. La etiqueta le indica al modelo cuál es la respuesta correcta para esa entrada. Para imágenes, las anotaciones marcan objetos con cuadros delimitadores o máscaras de píxeles. Para texto, etiquetan entidades nombradas, intención o sentimiento. Sin anotaciones, el aprendizaje supervisado no puede funcionar. La calidad de la anotación es el factor más importante en la precisión del modelo.

Tipos de Anotación de Datos

1. Anotación de imágenes: Cuadros delimitadores, polígonos, puntos clave o máscaras de píxeles etiquetan objetos en imágenes. Esencial para modelos de visión por computadora.
2. Anotación de texto: Las etiquetas incluyen entidades nombradas, intención, sentimiento o pares pregunta-respuesta para tareas de PLN.
3. Anotación de audio: Transcripciones, etiquetas de hablantes o etiquetas de eventos de sonido permiten el reconocimiento de voz y la clasificación de audio.
4. Anotación de video: Las etiquetas fotograma a fotograma rastrean objetos a lo largo del tiempo. Se usa en reconocimiento de acciones y conducción autónoma.
5. Anotación de nube de puntos 3D: Los cuadros delimitadores 3D etiquetan objetos en nubes de puntos de sensores LiDAR.

El Flujo de Trabajo de Anotación

1. Definir directrices: Redactar instrucciones claras de anotación con ejemplos y casos límite.
2. Recopilar datos sin procesar: Reunir datos sin etiquetar de fuentes del mundo real o generadores de datos sintéticos.
3. Anotar: Los anotadores humanos etiquetan cada punto de datos usando herramientas de anotación.
4. Revisión de calidad: Un segundo anotador o sistema automatizado verifica las etiquetas en busca de errores.
5. Exportar: Los conjuntos de datos anotados se exportan para el entrenamiento del modelo.

Calidad de Anotación y Verdad Fundamental

Las anotaciones de alta calidad se denominan verdad fundamental. Las directrices inconsistentes o ambiguas generan ruido en las etiquetas. El ruido en las etiquetas degrada el rendimiento del modelo en proporción a su gravedad. El acuerdo entre anotadores (kappa de Cohen) mide la consistencia de la anotación. La revisión experta es esencial para dominios especializados como la anotación médica o legal.

Anotación de Datos a Escala

Los proyectos modernos de IA necesitan millones de ejemplos etiquetados. La anotación manual es lenta y costosa a esa escala. El crowdsourcing distribuye tareas a miles de trabajadores simultáneamente. Las herramientas de etiquetado de datos automatizan el control de calidad. El mercado de conjuntos de datos de Bright Data ofrece datos de entrenamiento prelabetados y listos para usar que eliminan por completo los cuellos de botella de anotación.