Увеличаване на данни
Увеличаването на данни изкуствено разширява обучителен набор чрез създаване на модифицирани копия на съществуващи примери - като обръщане или изрязване на изображения.
Преглед
Увеличаването на данни изкуствено разширява обучителен набор чрез създаване на модифицирани копия на съществуващи примери - като обръщане или изрязване на изображения. Има значение, защото по-разнообразните данни намаляват пренастройването и помагат на моделите да обобщават входните данни, които не са виждали.
Data Augmentation се намира в основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение.
Дълбоко гмуркане
Увеличаването на данни генерира нови примери за обучение чрез прилагане на запазващи етикети трансформации към данни, които вече имате. За изображения това означава завъртане, обръщане, изрязване, промяна на цвета, замъгляване и добавяне на шум – промени, които променят пикселите, но не и правилния отговор (обърнатата котка все още е котка). За текст техниките включват замяна на синоним, обратен превод (превод на друг език и обратно) и произволно изтриване или размяна на думи. За аудио можете да добавите фонов шум, изместване на височината или клипове с разтягане във времето. Целта е да се научи моделът на инвариантностите, които имат значение - че идентичността на обекта не зависи от неговата позиция, осветление или формулировка. Това прави моделите по-стабилни и е особено ценно, когато етикетираните данни са оскъдни, тъй като всеки реален пример ефективно става много. Съвременните тръбопроводи често рандомизират увеличенията в движение по време на всяка тренировъчна епоха.
Техническа информация
Увеличаването работи, защото инжектира предварителни знания за инвариантностите директно в обучението: като показвате на модела много трансформирани версии на един пример, вие го насърчавате да научи функции, които игнорират неуместни вариации. Най-важното е, че трансформациите трябва да запазят етикета - обръщането на "6" в "9" би научило на погрешно нещо. Усъвършенстваните методи надхвърлят простите редакции: Mixup смесва две изображения и техните етикети, Cutout маскира региони и научени правила като AutoAugment търсят най-добрите комбинации за трансформация за даден набор от данни.
Овладяване на увеличаването на данните
За да изградите дълбоко разбиране, третирайте Data Augmentation като оперативен модел, а не като отделна функция. Дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи Data Augmentation, първо изграждат силни концептуални модели, след което картографират тези модели към реални производствени ограничения. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Помага ви да отделите ясните технически твърдения от маркетинговия език. В същото време различни екипи могат да използват един и същ термин по различен начин, така че дефинирайте обхвата рано. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Помага ви да отделите ясните технически твърдения от маркетинговия език.
Помага ви да отделите ясните технически твърдения от маркетинговия език. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
You can ask better implementation questions before spending money or time. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Класификаторът на изображения се обучава върху произволно завъртяни, изрязани и променени цветове снимки, така че да разпознава обекти независимо от ъгъла или осветлението.
Екип по НЛП използва обратен превод (от английски на немски и обратно), за да перифразира изречения и да разшири малък набор от данни за анализ на настроението.
Модел на говор добавя фонов шум от кафене и измества височината на записите, така че да остане точен в шумни условия в реалния свят.
Медицински AI прилага еластични деформации и обръща към ограничен набор от MRI сканирания, за да умножи оскъдни белязани примери без нови пациенти.
Модели на изпълнение
Увеличаване на данните на практика
Класификаторът на изображения се обучава върху произволно завъртяни, изрязани и променени цветове снимки, така че да разпознава обекти независимо от ъгъла или осветлението.
Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Увеличаване на данните на практика
Екип по НЛП използва обратен превод (от английски на немски и обратно), за да перифразира изречения и да разшири малък набор от данни за анализ на настроението.
Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Увеличаване на данните на практика
Модел на говор добавя фонов шум от кафене и измества височината на записите, така че да остане точен в шумни условия в реалния свят.
Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Увеличаване на данните на практика
Медицински AI прилага еластични деформации и обръща към ограничен набор от MRI сканирания, за да умножи оскъдни белязани примери без нови пациенти.
Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Пътна карта за изпълнение
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
Отнасяйте се към това като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изберете един показател за успех и едно условие за неуспех преди тестване.
Отнасяйте се към това като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
Отнасяйте се към това като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Документирайте къде Data Augmentation помага и къде по-простите методи са по-добри.
Отнасяйте се към това като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Продължете да изследвате
Check your understanding
Test yourself: take the Data Augmentation quiz