Datenerweiterung
Durch die Datenerweiterung wird ein Trainingssatz künstlich erweitert, indem modifizierte Kopien vorhandener Beispiele erstellt werden – beispielsweise durch Spiegeln oder Zuschneiden von Bildern.
Übersicht
It matters because more varied data reduces overfitting and helps models generalize to inputs they have not seen.
Tiefer Einblick
Durch die Datenerweiterung werden neue Trainingsbeispiele generiert, indem beschriftungserhaltende Transformationen auf bereits vorhandene Daten angewendet werden. Bei Bildern bedeutet das Drehungen, Spiegelungen, Zuschnitte, Farbverschiebungen, Unschärfe und das Hinzufügen von Rauschen – Änderungen, die Pixel verändern, aber nicht die richtige Antwort (eine umgedrehte Katze ist immer noch eine Katze). Zu den Techniken für Text gehören das Ersetzen von Synonymen, die Rückübersetzung (in eine andere Sprache und zurück übersetzen) sowie das zufällige Löschen oder Vertauschen von Wörtern. Für Audio können Sie Hintergrundgeräusche, Tonhöhenverschiebungen oder Time-Stretch-Clips hinzufügen. Ziel ist es, dem Modell die wichtigen Invarianzen beizubringen – dass die Identität eines Objekts nicht von seiner Position, Beleuchtung oder Formulierung abhängt. Dies macht Modelle robuster und ist besonders wertvoll, wenn beschriftete Daten knapp sind, da jedes reale Beispiel effektiv zu vielen wird. Moderne Pipelines ordnen Erweiterungen während jeder Trainingsepoche häufig spontan zu.
Technischer Einblick
Augmentation funktioniert, weil sie Vorwissen über Invarianzen direkt in das Training einbringt: Indem Sie dem Modell viele transformierte Versionen eines Beispiels zeigen, ermutigen Sie es, Funktionen zu lernen, die irrelevante Variationen ignorieren. Entscheidend ist, dass bei Transformationen das Etikett erhalten bleibt – eine „6“ in eine „9“ umzuwandeln, würde das Falsche lehren. Erweiterte Methoden gehen über einfache Bearbeitungen hinaus: Mixup vermischt zwei Bilder und ihre Beschriftungen, Cutout maskiert Bereiche und erlernte Richtlinien wie AutoAugment suchen nach den besten Transformationskombinationen für einen bestimmten Datensatz.
Strategische Auswirkungen
Klarere Entscheidungen
Es hilft Ihnen, klare technische Aussagen von der Marketingsprache zu trennen.
Kosten und Budget
Sie können bessere Fragen zur Implementierung stellen, bevor Sie Geld oder Zeit investieren.
Team und Arbeitsablauf
Teams mit gemeinsamem Verständnis treffen bessere Produkt-, Richtlinien- und Lernentscheidungen.
Die Zukunft der Datenerweiterung
Die Grenze liegt in der generativen und erlernten Erweiterung: Verwendung von Diffusionsmodellen oder GANs, um völlig neue, realistische Trainingsbeispiele zu synthetisieren, anstatt nur alte zu transformieren. Durch die automatisierte Erweiterungssuche (AutoAugment, RandAugment) wird die manuelle Optimierung reduziert, und Erweiterung ist jetzt von zentraler Bedeutung für selbstüberwachtes Lernen, bei dem Modelle lernen, indem sie erkennen, dass zwei erweiterte Ansichten derselben Eingabe übereinstimmen sollten. Es ist zu erwarten, dass die Erweiterung die Grenze zur Generierung synthetischer Daten weiter verwischt, insbesondere für seltene Klassen und datenschutzrelevante Bereiche, in denen die Erfassung realer Daten schwierig ist.
Reale Umsetzung
Ein Bildklassifikator trainiert auf zufällig gedrehten, zugeschnittenen und farblich verwackelten Fotos, sodass er Objekte unabhängig von Winkel oder Beleuchtung erkennt.
Ein NLP-Team verwendet Rückübersetzungen (vom Englischen ins Deutsche und zurück), um Sätze zu paraphrasieren und einen kleinen Datensatz zur Stimmungsanalyse zu erweitern.
Ein Sprachmodell fügt den Café-Hintergrundgeräuschen hinzu und verschiebt die Tonhöhe der Aufnahmen, sodass sie auch unter lauten realen Bedingungen präzise bleiben.
Eine medizinische KI wendet elastische Verformungen und Flips auf eine begrenzte Anzahl von MRT-Scans an, um seltene markierte Beispiele ohne neue Patienten zu vervielfachen.
Risiken und Leitplanken
Unterschiedliche Teams verwenden denselben Begriff möglicherweise unterschiedlich. Definieren Sie daher frühzeitig den Geltungsbereich.
Benchmarks können stark aussehen, während die tatsächliche Leistung uneinheitlich ist.
Das Ignorieren von Datenqualität und Evaluierungsplänen führt oft zu fragilen Ergebnissen.
Implementierungs-Roadmap
Beginnen Sie mit einer klaren Definition des gewünschten Ergebnisses.
Wählen Sie vor dem Testen eine Erfolgsmetrik und eine Fehlerbedingung aus.
Führen Sie ein kleines Pilotprojekt mit repräsentativen Daten durch, nicht mit einem ausgefeilten Demoset.
Dokumentieren Sie, wo Data Augmentation hilft und wo einfachere Methoden besser sind.
Entdecken Sie weiter
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Data Augmentation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Nächster Leitfaden
KI und Daten
Häufig gestellte Fragen
What is Data Augmentation?
Durch die Datenerweiterung wird ein Trainingssatz künstlich erweitert, indem modifizierte Kopien vorhandener Beispiele erstellt werden – beispielsweise durch Spiegeln oder Zuschneiden von Bildern. Dies ist wichtig, da vielfältigere Daten die Überanpassung reduzieren und Modelle dabei unterstützen, auf Eingaben zu verallgemeinern, die sie nicht gesehen haben.
Was ist der Hauptzweck der Datenerweiterung?
Durch die Augmentation werden vielfältige, modifizierte Kopien bestehender Daten erstellt, um eine Überanpassung zu reduzieren und dem Modell bei der Verarbeitung unsichtbarer Eingaben zu helfen.
Welche davon ist eine gängige Bildvergrößerungstechnik?
Spiegeln, Zuschneiden, Drehen und Farbverschiebungen sind standardmäßige Bildvergrößerungen, die Pixel ändern und gleichzeitig die Beschriftung beibehalten.
Was bewirkt die Rückübersetzung bei der Texterweiterung?
Bei der Rückübersetzung wird der Text durch eine andere Sprache und zurück übersetzt, wodurch eine umformulierte Version entsteht, die die Bedeutung beibehält.
Warum müssen Erweiterungen „etikettenerhaltend“ sein?
Eine Transformation sollte die richtige Antwort nicht ändern – das Umwandeln einer „6“ in eine „9“ würde beispielsweise das Beispiel falsch beschriften.
Was bewirkt die Mixup-Technik?
Mixup erstellt neue Stichproben durch die lineare Kombination von Eingabepaaren und ihren Beschriftungen und fördert so glattere Entscheidungsgrenzen.