adatjelölés

Az adatjelölés olyan folyamat, amely során nyers adatokhoz címkéket vagy annotációkat rendelnek. A cél, hogy a gépi tanulási modellek a jelölések alapján felismerjenek mintákat, kategóriákat vagy összefüggéseket. A jelölések lehetnek egyszerűek, például egy kép osztályozása, vagy összetettebbek, mint objektum-azonosítás, szemantikus szegmentáció vagy beszédátírás.

Az adatjelölés főbb típusai közé tartozik a vizuális annotáció (képek és videók jelölése határoló dobozokkal, maszkokkal vagy nyomvonalakkal; objektumok lokalizálása és kategorizálása), a szöveges vagy dokumentumalapú annotáció (entitásazonosítás, relációk jelölése, szemantikai címkézés, kérdés‑válasz jelölése), valamint a hang- és beszédadatok annotálása (átírás, hangosztályozás, beszéd-időbélyegek). Ezen felül léteznek adatok általános leíró jelölések és metaadatok, amelyek segítik a kísérletek reprodukálhatóságát és a modelldebugolást.

Folyamatként az adatszűréstől az annotációs útmutató kidolgozásán át a tényleges annotáláson és minőségellenőrzésen keresztül zajlik. Gyakran alkalmaznak inter‑annotator agreement méréseket, verziókövetést és felülvizsgálatot a hibák minimalizálására. A folyamat jelentősen függ a szemantikus sémától és a feladat igényeitől.

Fontos szempontok közé tartozik az adatvédelmi és etikai megfelelés, például személyes adatok anonimizálása, consent feltételek betartása és a torzításkockázatok csökkentése. Az adatjelölés alapvető a mesterséges intelligencia fejlesztéséhez, különösen a számítógépes látás, a természetes nyelv feldolgozása és a beszédfelismerés területén.