หากคุณกำลังสร้าง ซื้อ หรือแม้แต่ประเมินระบบ AI คุณจะพบคำถามที่ดูเรียบง่ายว่า ชุดข้อมูล AI คืออะไร และทำไมจึงสำคัญนัก? สั้นๆ ก็คือ เชื้อเพลิง ตำราอาหาร และบางครั้งก็เป็นเข็มทิศสำหรับโมเดลของคุณ
บทความที่คุณอาจสนใจอ่านต่อหลังจากบทความนี้:
🔗 AI คาดการณ์แนวโน้มได้อย่างไร
สำรวจว่า AI วิเคราะห์รูปแบบเพื่อคาดการณ์เหตุการณ์และพฤติกรรมในอนาคตอย่างไร
🔗 วิธีการวัดประสิทธิภาพ AI
มาตรวัดและวิธีการในการประเมินความแม่นยำ ประสิทธิภาพ และความน่าเชื่อถือของแบบจำลอง
🔗 วิธีการพูดคุยกับ AI
คำแนะนำในการสร้างปฏิสัมพันธ์ที่ดีขึ้นเพื่อปรับปรุงการตอบสนองที่สร้างโดย AI
🔗 AI Prompting คืออะไร
ภาพรวมของวิธีที่คำกระตุ้นกำหนดผลลัพธ์ของ AI และคุณภาพการสื่อสารโดยรวม
AI Dataset คืออะไร? คำจำกัดความสั้นๆ 🧩
ชุดข้อมูล AI คืออะไร? มันคือ ชุดตัวอย่างที่ โมเดลของคุณใช้เรียนรู้หรือประเมินผล โดยแต่ละตัวอย่างจะมี:
-
อินพุต - คุณสมบัติที่โมเดลเห็น เช่น ข้อความสั้นๆ รูปภาพ เสียง แถวตาราง การอ่านค่าเซนเซอร์ กราฟ
-
เป้าหมาย - ป้ายกำกับหรือผลลัพธ์ที่โมเดลควรทำนาย เช่น หมวดหมู่ ตัวเลข ช่วงของข้อความ การกระทำ หรือบางครั้งไม่มีอะไรเลย
-
เมตาเดตา - บริบท เช่น แหล่งที่มา วิธีการรวบรวม ไทม์สแตมป์ ใบอนุญาต ข้อมูลความยินยอม และหมายเหตุเกี่ยวกับคุณภาพ
ลองนึกถึงมันเหมือนกล่องข้าวที่แพ็คมาอย่างดีสำหรับโมเดลของคุณ: ส่วนผสม ฉลาก ข้อมูลโภชนาการ และใช่แล้ว มีโน้ตติดไว้ที่เขียนว่า "อย่ากินส่วนนี้" 🍱
สำหรับงานที่มีการควบคุมดูแล คุณจะเห็นอินพุตที่จับคู่กับป้ายกำกับที่ชัดเจน สำหรับงานที่ไม่มีการควบคุมดูแล คุณจะเห็นอินพุตที่ไม่มีป้ายกำกับ สำหรับการเรียนรู้แบบเสริมแรง ข้อมูลมักจะดูเหมือนตอนหรือวิถีที่มีสถานะ การกระทำ และรางวัล สำหรับงานแบบมัลติโมดัล ตัวอย่างสามารถรวมข้อความ + รูปภาพ + เสียงไว้ในเรคคอร์ดเดียวได้ ฟังดูเก๋ไก๋ ส่วนใหญ่เป็นงานประปา
คู่มือและแนวปฏิบัติที่เป็นประโยชน์: Datasheets for Datasets ช่วยให้ทีมอธิบายสิ่งที่อยู่ภายในและวิธีการใช้งาน [1] และ Model Cards ช่วยเสริมเอกสารข้อมูลในฝั่งโมเดล [2]
อะไรทำให้ชุดข้อมูล AI ดี ✅
พูดตรงๆ เลยนะ โมเดลหลายๆ ตัวประสบความสำเร็จเพราะชุดข้อมูลไม่ได้แย่อะไร ชุดข้อมูล "ที่ดี" คือ:
-
ตัวแทน ของกรณีการใช้งานจริง ไม่ใช่แค่เงื่อนไขในห้องแล็ป
-
ติดฉลากอย่างถูกต้องพร้อมแนวทางที่ชัดเจนและการตัดสินเป็นระยะ มาตรวัดที่สอดคล้อง (เช่น มาตรวัดแบบแคปปา) ช่วยตรวจสอบความสอดคล้องของข้อมูล
-
สมบูรณ์และสมดุล เพียงพอที่จะหลีกเลี่ยงความล้มเหลวเงียบๆ ในระยะยาว ความไม่สมดุลเป็นเรื่องปกติ แต่ความประมาทเลินเล่อไม่ใช่เรื่องปกติ
-
แหล่งที่มาชัดเจนพร้อมเอกสารยินยอม ใบอนุญาต และคำอนุญาต เอกสารที่น่าเบื่อหน่ายช่วยป้องกันไม่ให้เกิดคดีความที่น่าตื่นเต้น
-
มีการบันทึกข้อมูลอย่างดี โดยใช้การ์ดข้อมูลหรือแผ่นข้อมูลที่ระบุการใช้งานที่ตั้งใจ ข้อจำกัด และโหมดความล้มเหลวที่ทราบ [1]
-
ควบคุม ด้วยการกำหนดเวอร์ชัน บันทึกการเปลี่ยนแปลง และการอนุมัติ หากคุณไม่สามารถสร้างชุดข้อมูลซ้ำได้ คุณก็ไม่สามารถสร้างแบบจำลองซ้ำได้ คำแนะนำจาก กรอบการจัดการความเสี่ยง AI ของ NIST ถือว่าคุณภาพข้อมูลและเอกสารเป็นข้อกังวลหลัก [3]
ประเภทของชุดข้อมูล AI โดยสิ่งที่คุณกำลังทำ 🧰
ตามงาน
-
การแบ่งประเภท เช่น สแปม กับ ไม่ใช่สแปม หมวดหมู่รูปภาพ
-
การถดถอย - คาดการณ์ค่าต่อเนื่อง เช่น ราคาหรืออุณหภูมิ
-
การติดฉลากลำดับ - เอนทิตีที่มีชื่อ ส่วนต่างๆ ของคำพูด
-
การสร้าง - การสรุป การแปล การใส่คำบรรยายภาพ
-
คำแนะนำ - ผู้ใช้, รายการ, การโต้ตอบ, บริบท
-
การตรวจจับความผิดปกติ - เหตุการณ์ที่เกิดขึ้นน้อยครั้งในลำดับเวลาหรือบันทึก
-
การเรียนรู้เชิงเสริมแรง - สถานะ การกระทำ รางวัล ลำดับสถานะถัดไป
-
การดึงข้อมูล - เอกสาร การสอบถาม การตัดสินความเกี่ยวข้อง
โดยวิธีการ
-
ตาราง - คอลัมน์เช่น อายุ รายได้ การเปลี่ยนแปลง ไม่ค่อยถูกพูดถึง แต่กลับมีประสิทธิภาพอย่างโหดร้าย
-
ข้อความ - เอกสาร แชท โค้ด โพสต์ในฟอรัม คำอธิบายผลิตภัณฑ์
-
ภาพ - รูปถ่าย สแกนทางการแพทย์ กระเบื้องดาวเทียม มีหรือไม่มีหน้ากาก กล่อง จุดสำคัญ
-
เสียง - รูปแบบคลื่น, บทบรรยาย, แท็กผู้พูด
-
วิดีโอ - เฟรม, คำอธิบายชั่วคราว, ป้ายการกระทำ
-
กราฟ - โหนด ขอบ คุณลักษณะ
-
ไทม์ซีรีส์ - เซ็นเซอร์, การเงิน, การวัดระยะไกล
โดยการกำกับดูแล
-
มีฉลาก (สีทอง, เงิน, ติดฉลากอัตโนมัติ), ติดฉลากไม่ชัดเจน, ไม่มีฉลาก, สังเคราะห์ส่วนผสมเค้กสำเร็จรูปที่ซื้อตามร้านก็ใช้ได้นะ ลองอ่านที่กล่องดู
ภายในกล่อง: โครงสร้าง การแยก และเมตาข้อมูล 📦
ชุดข้อมูลที่แข็งแกร่งโดยปกติจะประกอบด้วย:
-
รูปแบบ - ฟิลด์ที่พิมพ์, หน่วย, ค่าที่อนุญาต, การจัดการค่าว่าง
-
การแยกส่วน - ฝึกอบรม การตรวจสอบ ทดสอบ เก็บรักษาข้อมูลการทดสอบให้เป็นความลับ - ปฏิบัติต่อมันเหมือนช็อกโกแลตชิ้นสุดท้าย
-
แผนการสุ่มตัวอย่าง - วิธีที่คุณดึงตัวอย่างจากประชากร หลีกเลี่ยงการสุ่มตัวอย่างที่สะดวกจากภูมิภาคหรืออุปกรณ์หนึ่งๆ
-
การเสริม - การพลิกกลับ การครอบตัด เสียงรบกวน การถอดความ การใส่หน้ากาก เป็นสิ่งที่ดีเมื่อทำอย่างตรงไปตรงมา แต่เป็นอันตรายเมื่อสร้างรูปแบบที่ไม่เคยเกิดขึ้นจริงในธรรมชาติ
-
การกำหนดเวอร์ชัน - ชุดข้อมูล v0.1, v0.2… พร้อมบันทึกการเปลี่ยนแปลงที่อธิบายถึงความแตกต่าง
-
ใบอนุญาตและความยินยอม - สิทธิ์การใช้งาน การแจกจ่ายซ้ำ และการลบข้อมูล หน่วยงานกำกับดูแลการคุ้มครองข้อมูลแห่งชาติ (เช่น UK ICO) จัดทำรายการตรวจสอบการประมวลผลที่ถูกต้องตามกฎหมายและใช้งานได้จริง [4]
วงจรชีวิตชุดข้อมูล ทีละขั้นตอน 🔁
-
กำหนดการตัดสินใจ - โมเดลจะตัดสินใจอย่างไร และจะเกิดอะไรขึ้นหากการตัดสินใจนั้นผิดพลาด
-
คุณลักษณะและป้ายกำกับขอบเขต - วัดได้ สังเกตได้ มีจริยธรรมในการรวบรวม
-
แหล่งที่มาของข้อมูล - เครื่องมือ บันทึก การสำรวจ องค์กรสาธารณะ พันธมิตร
-
ความยินยอมและข้อกฎหมาย - ประกาศความเป็นส่วนตัว การยกเลิกการรับข้อมูล การลดปริมาณข้อมูล ดูคำแนะนำของหน่วยงานกำกับดูแลสำหรับ "เหตุผล" และ "วิธีการ" [4]
-
รวบรวมและจัดเก็บ - การจัดเก็บที่ปลอดภัย การเข้าถึงตามบทบาท การจัดการ PII
-
ป้ายกำกับ - ผู้ให้คำอธิบายภายใน การระดมทุนจากมวลชน ผู้เชี่ยวชาญ จัดการคุณภาพด้วยงานทองคำ การตรวจสอบ และเมตริกข้อตกลง
-
ทำความสะอาดและทำให้เป็นมาตรฐาน - ลบข้อมูลซ้ำซ้อน จัดการข้อมูลที่หายไป กำหนดหน่วยให้เป็นมาตรฐาน แก้ไขการเข้ารหัส งานที่น่าเบื่อแต่ก็ยอดเยี่ยม
-
แยกและตรวจสอบ - ป้องกันการรั่วไหล แบ่งชั้นเมื่อเกี่ยวข้อง เลือกการแยกตามเวลาสำหรับข้อมูลชั่วคราว และใช้การตรวจสอบแบบไขว้อย่างรอบคอบสำหรับการประมาณค่าที่มั่นคง [5]
-
เอกสาร - แผ่นข้อมูลหรือบัตรข้อมูล การใช้งานตามวัตถุประสงค์ ข้อควรระวัง ข้อจำกัด [1]
-
ตรวจสอบและอัปเดต - การตรวจจับการเบี่ยงเบน จังหวะการรีเฟรช แผนการยุติการใช้งาน กรอบ AI RMF ของ NIST กำหนดวงจรการกำกับดูแลอย่างต่อเนื่องนี้ [3]
เคล็ดลับง่ายๆ ที่ใช้งานได้จริง: ทีมต่างๆ มักจะ "ชนะการสาธิต" แต่กลับสะดุดในการใช้งานจริง เพราะชุดข้อมูลของพวกเขาเปลี่ยนแปลงไปอย่างเงียบๆ เช่น สายผลิตภัณฑ์ใหม่ ฟิลด์ที่เปลี่ยนชื่อ หรือนโยบายที่เปลี่ยนแปลงไป การบันทึกการเปลี่ยนแปลง (changelog) ง่ายๆ + การใส่คำอธิบายประกอบซ้ำเป็นระยะๆ จะช่วยหลีกเลี่ยงปัญหาเหล่านี้ได้เกือบทั้งหมด
คุณภาพและการประเมินข้อมูล - ไม่น่าเบื่ออย่างที่คิด 🧪
คุณภาพมีหลายมิติ:
-
ความแม่นยำ - ฉลากถูกต้องหรือไม่? ใช้มาตรวัดที่ตกลงกันไว้และการพิจารณาเป็นระยะ
-
ความครบถ้วน - ครอบคลุมสาขาและคลาสที่คุณต้องการอย่างแท้จริง
-
ความสอดคล้อง - หลีกเลี่ยงการใช้ป้ายกำกับที่ขัดแย้งกันสำหรับข้อมูลอินพุตที่คล้ายคลึงกัน
-
ความทันเวลา - ข้อมูลที่ล้าสมัยทำให้สมมติฐานกลายเป็นฟอสซิล
-
ความเป็นธรรมและอคติ - การครอบคลุมด้านประชากรศาสตร์ ภาษา อุปกรณ์ และสภาพแวดล้อม เริ่มต้นด้วยการตรวจสอบเชิงพรรณนา จากนั้นจึงทำการทดสอบความเครียด แนวปฏิบัติที่เน้นเอกสารเป็นหลัก (แผ่นข้อมูล บัตรแบบจำลอง) ทำให้การตรวจสอบเหล่านี้มองเห็นได้ [1] และกรอบการกำกับดูแลเน้นย้ำสิ่งเหล่านี้ในฐานะการควบคุมความเสี่ยง [3]
สำหรับการประเมินแบบจำลอง ให้ใช้ การแบ่งส่วนที่เหมาะสม และติดตามทั้งค่าเมตริกเฉลี่ยและค่าเมตริกกลุ่มแย่ที่สุด ค่าเฉลี่ยที่สดใสอาจซ่อนหลุมอุกกาบาตได้ พื้นฐานการตรวจสอบแบบไขว้มีอยู่ในเอกสารเครื่องมือ ML มาตรฐาน [5]
จริยธรรม ความเป็นส่วนตัว และการออกใบอนุญาต - รั้วกั้น 🛡️
ข้อมูลทางจริยธรรมไม่ใช่ความรู้สึก แต่มันเป็นกระบวนการ:
-
การยินยอมและข้อจำกัดวัตถุประสงค์ - ระบุการใช้งานและพื้นฐานทางกฎหมายให้ชัดเจน [4]
-
การจัดการ PII - ลดให้เหลือน้อยที่สุด ใช้ชื่อปลอม หรือทำให้ไม่ระบุตัวตนตามความเหมาะสม พิจารณาใช้เทคโนโลยีที่เพิ่มความเป็นส่วนตัวเมื่อมีความเสี่ยงสูง
-
การอ้างอิงแหล่งที่มาและใบอนุญาต - โปรดเคารพข้อจำกัดเกี่ยวกับการแบ่งปันและการใช้งานเชิงพาณิชย์
-
อคติและอันตราย - ตรวจสอบความสัมพันธ์ที่ผิดพลาด ("กลางวัน = ปลอดภัย" จะใช้ไม่ได้ผลในเวลากลางคืน)
-
การแก้ไข - ทราบวิธีการลบข้อมูลเมื่อมีการร้องขอและวิธีย้อนกลับโมเดลที่ได้รับการฝึกอบรมจากข้อมูลนั้น (บันทึกสิ่งนี้ไว้ในแผ่นข้อมูลของคุณ) [1]
ใหญ่แค่ไหนถึงจะใหญ่พอ? การกำหนดขนาดและสัญญาณต่อสัญญาณรบกวน 📏
หลักการทั่วไปคือ ยิ่งมีตัวอย่างมากเท่าไหร่ ก็ยิ่งดี ถ้า ตัวอย่างเหล่านั้นมีความเกี่ยวข้องและไม่ซ้ำซ้อนกัน แต่บางครั้ง การมี น้อยลง แต่จัดระเบียบดีกว่า และติดป้ายกำกับชัดเจน กว่าการมีตัวอย่างมากมายที่ยุ่งเหยิง
ระวัง:
-
เส้นโค้งการเรียนรู้ - พล็อตประสิทธิภาพเทียบกับขนาดของกลุ่มตัวอย่างเพื่อดูว่าคุณติดขัดที่ข้อมูลหรือที่โมเดล
-
ความคุ้มครองแบบหางยาว - คลาสที่หายากแต่สำคัญมักต้องมีการรวบรวมแบบมีเป้าหมาย ไม่ใช่แค่จำนวนมากขึ้นเท่านั้น
-
ระบุสัญญาณรบกวน - วัดแล้วจึงลดลง เล็กน้อยก็พอรับได้ แต่คลื่นยักษ์ทนไม่ได้
-
การเปลี่ยนแปลงการกระจาย - ข้อมูลการฝึกอบรมจากภูมิภาคหรือช่องทางหนึ่งอาจไม่สามารถสรุปเป็นข้อมูลทั่วไปไปยังอีกภูมิภาคหรือช่องทางหนึ่งได้ ตรวจสอบข้อมูลทดสอบแบบเป้าหมาย [5]
เมื่อไม่แน่ใจ ให้ค่อยๆ เติมทีละน้อยแล้วขยายออก เหมือนกับการปรุงรส คือเติม ชิม ปรับแต่ง แล้วทำซ้ำ
ค้นหาและจัดการชุดข้อมูลได้ที่ไหน 🗂️
ทรัพยากรและเครื่องมือยอดนิยม (ไม่จำเป็นต้องจำ URL ทันที):
-
ชุดข้อมูล Hugging Face - การโหลด การประมวลผล การแบ่งปันด้วยโปรแกรม
-
การค้นหาชุดข้อมูลของ Google - การค้นหาแบบเมตาทั่วทั้งเว็บ
-
UCI ML Repository - รวบรวมคลาสสิกสำหรับพื้นฐานและการสอน
-
OpenML - งาน + ชุดข้อมูล + การทำงานพร้อมที่มา
-
AWS Open Data / Google Cloud Public Datasets - โฮสต์คอร์ปัสขนาดใหญ่
เคล็ดลับมืออาชีพ: อย่าแค่ดาวน์โหลด อ่านใบอนุญาตและเอกสารข้อมูลจากนั้นบันทึกสำเนาของคุณเองพร้อมหมายเลขเวอร์ชันและที่มา [1]
การติดฉลากและคำอธิบายประกอบ - ที่ซึ่งความจริงได้รับการเจรจาต่อรอง ✍️
คำอธิบายประกอบคือจุดที่แนวทางฉลากเชิงทฤษฎีของคุณต้องต่อสู้กับความเป็นจริง:
-
การออกแบบงาน - เขียนคำแนะนำที่ชัดเจนพร้อมตัวอย่างและตัวอย่างโต้แย้ง
-
การฝึกอบรม Annotator - คำตอบเริ่มต้นพร้อมทองคำ ดำเนินการรอบการปรับเทียบ
-
การควบคุมคุณภาพ - การใช้มาตรวัดข้อตกลง กลไกการบรรลุฉันทามติ และการตรวจสอบตามระยะเวลา
-
เครื่องมือ - เลือกเครื่องมือที่บังคับใช้การตรวจสอบโครงร่างและตรวจสอบคิว แม้แต่สเปรดชีตก็สามารถทำงานกับกฎและการตรวจสอบได้
-
วงจรข้อเสนอแนะ - บันทึกหมายเหตุของผู้ให้คำอธิบายและสร้างแบบจำลองข้อผิดพลาดเพื่อปรับปรุงคำแนะนำ
ถ้ารู้สึกเหมือนต้องแก้ไขพจนานุกรมกับเพื่อนสามคนที่ไม่เห็นด้วยกับเรื่องเครื่องหมายจุลภาค... นั่นก็เป็นเรื่องปกติ 🙃
การจัดทำเอกสารข้อมูล - การทำให้ความรู้โดยนัยกลายเป็นชัดเจน 📒
แผ่นข้อมูลจำเพาะ หรือ การ์ดข้อมูล น้ำหนักเบา ควรครอบคลุมถึง:
-
ใครเก็บรวบรวมไว้ อย่างไร และทำไม
-
การใช้งานที่ตั้งใจไว้และการใช้งานนอกขอบเขต
-
ช่องว่าง อคติ และโหมดความล้มเหลวที่ทราบ
-
โปรโตคอลการติดฉลาก ขั้นตอนการควบคุมคุณภาพ และสถิติข้อตกลง
-
ใบอนุญาต ความยินยอม การติดต่อเรื่องปัญหา กระบวนการลบ
เทมเพลตและตัวอย่าง: แผ่นข้อมูลสำหรับชุดข้อมูล และ การ์ดโมเดล เป็นจุดเริ่มต้นที่ใช้กันอย่างแพร่หลาย [1]
เขียนมันไปพร้อมกับการสร้าง ไม่ใช่เขียนทีหลัง หน่วยความจำเป็นสื่อจัดเก็บข้อมูลที่ไม่เสถียร
ตารางเปรียบเทียบ - สถานที่ในการค้นหาหรือโฮสต์ชุดข้อมูล AI 📊
ใช่ค่ะ นี่มันออกแนวทะนงตนไปหน่อยนะคะ แล้วการใช้คำก็ดูไม่สม่ำเสมอนิดหน่อยโดยตั้งใจ ไม่เป็นไรค่ะ
| เครื่องมือ / ที่เก็บ | ผู้ชม | ราคา | เหตุผลที่มันได้ผลในทางปฏิบัติ |
|---|---|---|---|
| ชุดข้อมูลใบหน้ากอด | นักวิจัย วิศวกร | ฟรีเทียร์ | โหลดเร็ว สตรีมมิ่ง สคริปต์ชุมชน เอกสารดีเยี่ยม ชุดข้อมูลเวอร์ชันต่างๆ |
| การค้นหาชุดข้อมูลของ Google | ทุกคน | ฟรี | พื้นที่ผิวกว้าง เหมาะสำหรับการค้นพบ แต่บางครั้งข้อมูลเมตาอาจไม่สอดคล้องกัน |
| คลังข้อมูล ML ของ UCI | นักเรียน นักศึกษา นักการศึกษา | ฟรี | คัดสรรคลาสสิก ขนาดเล็กแต่เป็นระเบียบ ดีสำหรับพื้นฐานและการสอน |
| โอเพ่นเอ็มแอล | นักวิจัยด้านการทำซ้ำ | ฟรี | งาน + ชุดข้อมูล + การรันร่วมกัน; เส้นทางที่มาที่ดี |
| รีจิสทรีข้อมูลเปิด AWS | วิศวกรข้อมูล | ส่วนใหญ่ฟรี | การโฮสต์ขนาดเพตาไบต์ การเข้าถึงแบบเนทีฟบนคลาวด์ ต้นทุนการออกของนาฬิกา |
| ชุดข้อมูล Kaggle | ผู้ปฏิบัติธรรม | ฟรี | การแบ่งปันที่ง่ายดาย สคริปต์ การแข่งขัน สัญญาณชุมชนช่วยกรองสัญญาณรบกวน |
| ชุดข้อมูลสาธารณะของ Google Cloud | นักวิเคราะห์ ทีมงาน | ฟรี + คลาวด์ | โฮสต์ใกล้กับการคำนวณ การรวม BigQuery ระมัดระวังในการเรียกเก็บเงิน |
| พอร์ทัลวิชาการ ห้องปฏิบัติการ | ผู้เชี่ยวชาญเฉพาะด้าน | แตกต่างกันไป | มีความเชี่ยวชาญเฉพาะทางสูง บางครั้งมีเอกสารไม่เพียงพอ แต่ก็ยังคุ้มค่าที่จะค้นหา |
(ถ้าเซลล์ดูพูดคุย นั่นเป็นความตั้งใจ)
การสร้างอันแรกของคุณ - ชุดเริ่มต้นที่ใช้งานได้จริง 🛠️
คุณต้องการเปลี่ยนจาก "ชุดข้อมูล AI คืออะไร" ไปเป็น "ฉันสร้างมันขึ้นมาแล้ว มันใช้งานได้" ลองใช้วิธีง่ายๆ นี้:
-
เขียนการตัดสินใจและตัวชี้วัด เช่น ลดเส้นทางการสนับสนุนที่ผิดพลาดโดยการคาดการณ์ทีมที่เหมาะสม ตัวชี้วัด: มาโคร-F1
-
ยกตัวอย่างเชิงบวก 5 ข้อ และเชิงลบ 5 ข้อ - ใช้ตัวอย่างตั๋วจริง ห้ามสร้างเรื่องเท็จ
-
ร่างคู่มือฉลาก - หนึ่งหน้า; กฎการรวม/ไม่รวมที่ชัดเจน
-
รวบรวมตัวอย่างจริงขนาดเล็ก เช่น ตั๋วสักสองสามร้อยใบจากหลากหลายหมวดหมู่ แล้วลบข้อมูลส่วนบุคคลที่ไม่จำเป็นออก
-
แยกด้วยการตรวจสอบการรั่วไหล - เก็บข้อความทั้งหมดจากลูกค้ารายเดียวกันไว้ในส่วนแยกเดียว ใช้การตรวจสอบแบบไขว้เพื่อประมาณความแปรปรวน [5]
-
ใส่คำอธิบายประกอบกับ QA - ผู้ใส่คำอธิบายประกอบสองคนบนเซ็ตย่อย แก้ไขข้อขัดแย้ง อัปเดตคู่มือ
-
ฝึกพื้นฐานง่ายๆ โดยเริ่มจากโลจิสติกส์ก่อน (เช่น แบบจำลองเชิงเส้นหรือหม้อแปลงไฟฟ้าแบบกะทัดรัด) จุดประสงค์คือการทดสอบข้อมูล ไม่ใช่การคว้าเหรียญรางวัล
-
ตรวจสอบข้อผิดพลาด - ล้มเหลวตรงไหนและเพราะเหตุใด อัปเดตชุดข้อมูล ไม่ใช่แค่โมเดลเท่านั้น
-
เอกสาร - แผ่นข้อมูลขนาดเล็ก: แหล่งที่มา, ลิงก์คำแนะนำฉลาก, การแยก, ขีดจำกัดที่ทราบ, ใบอนุญาต [1]
-
แผนการรีเฟรช - หมวดหมู่ใหม่ คำแสลงใหม่ โดเมนใหม่มาถึง กำหนดตารางการอัปเดตเล็กๆ น้อยๆ บ่อยครั้ง [3]
คุณจะได้เรียนรู้จากลูปนี้มากกว่าการถ่ายสดๆ พันครั้ง และอย่าลืมสำรองข้อมูลไว้ด้วย
หลุมพรางทั่วไปที่มักเกิดขึ้นกับทีม 🪤
-
การรั่วไหลของข้อมูล - คำตอบหลุดเข้าไปในฟีเจอร์ (เช่น การใช้ฟิลด์หลังการแก้ไขเพื่อคาดการณ์ผลลัพธ์) รู้สึกเหมือนโกงเพราะเป็นอย่างนั้นจริงๆ
-
ความหลากหลายที่ตื้นเขิน - ภูมิศาสตร์หรือกลไกหนึ่งที่ปลอมตัวเป็นระดับโลก การทดสอบจะเผยให้เห็นจุดหักมุมของเนื้อเรื่อง
-
การเปลี่ยนแปลงของป้ายกำกับ - เกณฑ์ต่างๆ เปลี่ยนแปลงไปตามเวลา แต่คู่มือป้ายกำกับยังคงเหมือนเดิม จึงควรจัดทำเอกสารและกำหนดเวอร์ชันของออนโทโลยีของคุณ
-
วัตถุประสงค์ที่ไม่ชัดเจน - ถ้าคุณไม่สามารถระบุการคาดการณ์ที่ผิดพลาดได้ ข้อมูลของคุณก็จะไม่สามารถระบุได้เช่นกัน
-
ใบอนุญาตที่ยุ่งเหยิง - การขูดรีดตอนนี้และการขอโทษในภายหลังไม่ใช่กลยุทธ์
-
การเสริมมากเกินไป - ข้อมูลสังเคราะห์ที่สอนสิ่งประดิษฐ์ที่ไม่สมจริง เช่น การฝึกเชฟเกี่ยวกับผลไม้พลาสติก
คำถามที่พบบ่อยเกี่ยวกับวลีนี้ ❓
-
คำถามที่ว่า “ชุดข้อมูล AI คืออะไร?” เป็นเพียงเรื่องของคำจำกัดความใช่หรือไม่? ส่วนใหญ่ก็ใช่ แต่ก็เป็นสัญญาณบ่งบอกว่าคุณใส่ใจในรายละเอียดที่ดูน่าเบื่อแต่มีความสำคัญต่อความน่าเชื่อถือของโมเดลด้วย
-
ฉันจำเป็นต้องมีป้ายกำกับเสมอหรือไม่? ไม่ การตั้งค่าแบบไม่มีผู้ดูแล ผู้ดูแลตนเอง และแบบ RL มักจะข้ามป้ายกำกับที่ชัดเจน แต่การดูแลจัดการก็ยังคงมีความสำคัญ
-
ฉันสามารถใช้ข้อมูลสาธารณะเพื่อวัตถุประสงค์ใดๆ ได้หรือไม่? ไม่ได้ โปรดเคารพใบอนุญาต ข้อกำหนดของแพลตฟอร์ม และข้อผูกพันด้านความเป็นส่วนตัว [4]
-
ใหญ่กว่าหรือดีกว่า? ทั้งสองอย่างเลย ถ้าต้องเลือก ก็ต้องเลือกที่ดีกว่าก่อน
หมายเหตุสุดท้าย - สิ่งที่คุณสามารถแคปหน้าจอได้ 📌
ถ้ามีคนถามคุณว่า ชุดข้อมูล AI คืออะไรให้ตอบว่า: มันคือชุดตัวอย่างที่คัดสรรและจัดทำเอกสารอย่างดี ซึ่งใช้ในการสอนและทดสอบโมเดล โดยมีระบบการกำกับดูแลเพื่อให้ผู้คนสามารถเชื่อถือผลลัพธ์ได้ ชุดข้อมูลที่ดีที่สุดคือชุดข้อมูลที่เป็นตัวแทนที่ดี มีการติดป้ายกำกับอย่างถูกต้องตามกฎหมาย และได้รับการดูแลรักษาอย่างต่อเนื่อง ส่วนที่เหลือเป็นรายละเอียด – รายละเอียดที่สำคัญ – เกี่ยวกับโครงสร้าง การแบ่งกลุ่ม และข้อจำกัดเล็กๆ น้อยๆ เหล่านั้นที่ช่วยป้องกันไม่ให้โมเดลทำงานผิดพลาด บางครั้งกระบวนการนี้ก็เหมือนกับการทำสวนด้วยสเปรดชีต บางครั้งก็เหมือนกับการต้อนพิกเซล ไม่ว่าจะอย่างไรก็ตาม ลงทุนในข้อมูล แล้วโมเดลของคุณจะทำงานได้ดีขึ้น 🌱🤖
เอกสารอ้างอิง
[1] เอกสารข้อมูลสำหรับชุดข้อมูล - Gebru et al., arXiv. ลิงก์
[2] การ์ดโมเดลสำหรับการรายงานโมเดล - Mitchell et al., arXiv. ลิงก์
[3] กรอบการจัดการความเสี่ยงปัญญาประดิษฐ์ของ NIST (AI RMF 1.0)ลิงก์ [
4] คำแนะนำและแหล่งข้อมูล GDPR ของสหราชอาณาจักร - สำนักงานคณะกรรมการข้อมูลข่าวสาร (ICO) ลิงก์
[5] การตรวจสอบแบบไขว้: การประเมินประสิทธิภาพของตัวประมาณค่า - คู่มือผู้ใช้ scikit-learn ลิงก์