Augmentation des données
L'augmentation des données élargit artificiellement un ensemble de formation en créant des copies modifiées d'exemples existants, comme en retournant ou en recadrant des images.
Aperçu
It matters because more varied data reduces overfitting and helps models generalize to inputs they have not seen.
Plongée profonde
L'augmentation des données génère de nouveaux exemples de formation en appliquant des transformations préservant les étiquettes aux données dont vous disposez déjà. Pour les images, cela signifie des rotations, des retournements, des recadrages, des changements de couleur, du flou et l'ajout de bruit – des changements qui modifient les pixels mais pas la bonne réponse (un chat retourné est toujours un chat). Pour le texte, les techniques incluent le remplacement des synonymes, la rétro-traduction (traduire vers une autre langue et inversement) et la suppression ou l'échange aléatoire de mots. Pour l'audio, vous pouvez ajouter du bruit de fond, modifier la hauteur ou étendre les clips dans le temps. L'objectif est d'enseigner au modèle les invariances qui comptent : que l'identité d'un objet ne dépend pas de sa position, de son éclairage ou de sa formulation. Cela rend les modèles plus robustes et s’avère particulièrement utile lorsque les données étiquetées sont rares, puisque chaque exemple réel devient effectivement multiple. Les pipelines modernes randomisent souvent les augmentations à la volée au cours de chaque période de formation.
Aperçu technique
L'augmentation fonctionne car elle injecte des connaissances préalables sur les invariances directement dans la formation : en montrant au modèle de nombreuses versions transformées d'un exemple, vous l'encouragez à apprendre des fonctionnalités qui ignorent les variations non pertinentes. Fondamentalement, les transformations doivent préserver l’étiquette : transformer un « 6 » en « 9 » enseignerait la mauvaise chose. Les méthodes avancées vont au-delà des simples modifications : Mixup mélange deux images et leurs étiquettes, des régions de masques de découpe et des politiques apprises comme AutoAugment recherchent les meilleures combinaisons de transformation pour un ensemble de données donné.
Impact stratégique
Décisions plus claires
Il vous aide à séparer les affirmations techniques claires du langage marketing.
Coût et budget
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
Équipe et flux de travail
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
L'avenir de l'augmentation des données
La frontière est l’augmentation générative et apprise : utiliser des modèles de diffusion ou des GAN pour synthétiser des exemples de formation entièrement nouveaux et réalistes plutôt que de simplement transformer les anciens. La recherche d'augmentation automatisée (AutoAugment, RandAugment) réduit le réglage manuel, et l'augmentation est désormais au cœur de l'apprentissage auto-supervisé, où les modèles apprennent en reconnaissant que deux vues augmentées de la même entrée doivent correspondre. Attendez-vous à ce que l’augmentation continue de brouiller les limites avec la génération de données synthétiques, en particulier pour les classes rares et les domaines sensibles à la confidentialité où la collecte de données réelles est difficile.
Mise en œuvre dans le monde réel
Un classificateur d'images s'entraîne sur des photos pivotées, recadrées et aux couleurs instables de manière aléatoire afin de reconnaître les objets quel que soit l'angle ou l'éclairage.
Une équipe de PNL utilise la rétro-traduction (de l'anglais vers l'allemand et inversement) pour paraphraser des phrases et élargir un petit ensemble de données d'analyse des sentiments.
Un modèle vocal ajoute un bruit de fond de café et modifie la hauteur des enregistrements afin qu'il reste précis dans des conditions bruyantes du monde réel.
Une IA médicale applique des déformations élastiques et des retournements à un ensemble limité d’examens IRM pour multiplier les rares exemples étiquetés sans nouveaux patients.
Risques et garde-fous
Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Feuille de route de mise en œuvre
Commencez par une définition en langage simple du résultat dont vous avez besoin.
Choisissez une mesure de réussite et une condition d’échec avant de tester.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
Documentez où l'augmentation des données est utile et où les méthodes plus simples sont meilleures.
Continuez à explorer
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
Guide suivant
IA et données
Questions fréquemment posées
What is Data Augmentation?
L'augmentation des données élargit artificiellement un ensemble de formation en créant des copies modifiées d'exemples existants, comme en retournant ou en recadrant des images. C’est important car des données plus variées réduisent le surajustement et aident les modèles à généraliser à des entrées qu’ils n’ont pas vues.
Quel est l’objectif principal de l’augmentation des données ?
L'augmentation crée des copies variées et modifiées des données existantes pour réduire le surajustement et aider le modèle à gérer les entrées invisibles.
Laquelle de ces techniques est une technique d’augmentation d’image courante ?
Le retournement, le recadrage, la rotation et les changements de couleur sont des augmentations d'image standard qui modifient les pixels tout en préservant l'étiquette.
À quoi sert la rétro-traduction dans l’augmentation de texte ?
La rétro-traduction fait passer le texte dans une autre langue et inversement, produisant une version reformulée qui préserve le sens.
Pourquoi les augmentations doivent-elles « préserver l’étiquette » ?
Une transformation ne devrait pas changer la bonne réponse : transformer un « 6 » en « 9 », par exemple, donnerait une mauvaise étiquette à l'exemple.
A quoi sert la technique du Mixup ?
Mixup crée de nouveaux échantillons en combinant linéairement des paires d'entrées et leurs étiquettes, encourageant ainsi des limites de décision plus lisses.