datamärkning

Datamärkning, eller data annotation, är processen att tillsätta etiketter, taggar eller annan metadata till rådata. Syftet är att skapa strukturerad information som maskininlärningsmodeller kan använda som referens för igenkänning, klassificering eller span av innehåll. Genom märkningen får data en label som motsvarar den önskade utgången i ett tränings- eller testscenario.

Processen omfattar ofta definition av riktlinjer, insamling av relevanta data, själva annoteringen och kvalitetskontroll. Riktlinjerna beskriver vilka etiketter som finns, vad de betyder och hur gränser för etiketter hanteras. Annoterare kan arbeta manuellt eller i samarbete med verktyg som möjliggör spårning, verifiering och versionering av märkningar. Kvalitetsarbete innefattar mått på överenskommelse mellan annotatörer, granskning av fel och regelbunden utbildning av märkare.

Vanliga typer av datamärkning inkluderar: bildmärkning (bounding boxes, polygoner, segmentering), textmärkning (namngivna entiteter, känslouttryck, relationer), ljudmärkning (transkription, taligenkänning, ljudklassificering) samt videomärkning (tidsbaserade segment och spårning). Data märks ofta i flerspråkiga eller komplexa sammanhang, där sammanhang och anonymisering beaktas.

Märkning används huvudsakligen för övervakad inlärning inom artificiell intelligens, särskilt i datorseende, naturlig språkbehandling och taligenkänning. Den påverkar modellprecision, robusthet och generaliserbarhet och kräver därför noggrann data governance och dokumentation.

Etik och integritet är viktiga: data bör samlas och användas i enlighet med lagstiftning (t.ex. GDPR), och hänsyn till bias, sekretess och samtycke måste tas. Framtiden innebär ofta semi-automatisk märkning, aktivt lärande och kostnadseffektivisering genom bättre verktyg och standarder.