Gegevensvergroting
Gegevensvergroting breidt een trainingsset kunstmatig uit door gewijzigde kopieën van bestaande voorbeelden te maken, zoals het omdraaien of bijsnijden van afbeeldingen.
Overzicht
It matters because more varied data reduces overfitting and helps models generalize to inputs they have not seen.
Diepe duik
Gegevensvergroting genereert nieuwe trainingsvoorbeelden door transformaties met behoud van labels toe te passen op gegevens die u al heeft. Voor afbeeldingen betekent dat rotaties, spiegels, uitsneden, kleurverschuivingen, vervaging en het toevoegen van ruis: veranderingen die de pixels veranderen, maar niet het juiste antwoord geven (een omgedraaide kat is nog steeds een kat). Voor tekst omvatten de technieken het vervangen van synoniemen, terugvertaling (vertalen naar een andere taal en terug) en het willekeurig verwijderen of omwisselen van woorden. Voor audio kunt u achtergrondgeluiden, toonhoogte- of time-stretch-fragmenten toevoegen. Het doel is om het model de onveranderlijkheden te leren die er toe doen: dat de identiteit van een object niet afhankelijk is van de positie, belichting of frasering ervan. Dit maakt modellen robuuster en is vooral waardevol wanneer gelabelde gegevens schaars zijn, aangezien elk echt voorbeeld er feitelijk veel wordt. Moderne pijpleidingen randomiseren augmentaties vaak tijdens elk trainingstijdvak.
Technisch inzicht
Augmentatie werkt omdat het voorkennis over invarianties rechtstreeks in de training injecteert: door het model veel getransformeerde versies van één voorbeeld te laten zien, moedigt u het aan om kenmerken te leren die irrelevante variatie negeren. Cruciaal is dat transformaties het label moeten behouden; het omdraaien van een '6' in een '9' zou het verkeerde leren. Geavanceerde methoden gaan verder dan eenvoudige bewerkingen: Mixup combineert twee afbeeldingen en hun labels, uitgesneden maskers van regio's en geleerd beleid zoals AutoAugment zoekt naar de beste transformatiecombinaties voor een bepaalde dataset.
Strategische impact
Clearer decisions
Het helpt u duidelijke technische claims te scheiden van marketingtaal.
Cost and budget
U kunt betere implementatievragen stellen voordat u geld of tijd uitgeeft.
Team and workflow
Teams met gedeeld begrip nemen betere product-, beleids- en leerbeslissingen.
De toekomst van data-vergroting
De grens ligt bij generatieve en aangeleerde augmentatie: het gebruik van diffusiemodellen of GAN's om geheel nieuwe, realistische trainingsvoorbeelden te synthetiseren in plaats van alleen maar oude te transformeren. Geautomatiseerde augmentatiezoekopdrachten (AutoAugment, RandAugment) verminderen het handmatig afstemmen, en augmentatie staat nu centraal in zelfgecontroleerd leren, waarbij modellen leren door te herkennen dat twee augmented views van dezelfde invoer moeten matchen. Verwacht dat augmentatie de grens met het genereren van synthetische gegevens zal blijven vervagen, vooral voor zeldzame klassen en privacygevoelige domeinen waar het verzamelen van echte gegevens moeilijk is.
Implementatie in de echte wereld
Een beeldclassificator traint op willekeurig geroteerde, bijgesneden en kleurbeweeglijke foto's, zodat objecten worden herkend, ongeacht de hoek of het licht.
Een NLP-team gebruikt terugvertaling (Engels naar Duits en terug) om zinnen te parafraseren en een kleine dataset voor sentimentanalyse uit te breiden.
Een spraakmodel voegt cafégeluid op de achtergrond toe en verschuift de toonhoogte van opnames, zodat deze accuraat blijven in luidruchtige, realistische omstandigheden.
Een medische AI past elastische vervormingen en salto's toe op een beperkte reeks MRI-scans om schaars gelabelde voorbeelden te vermenigvuldigen zonder nieuwe patiënten.
Risico's en vangrails
Verschillende teams kunnen dezelfde term verschillend gebruiken, dus definieer de reikwijdte vroeg.
Benchmarks kunnen er sterk uitzien, terwijl de prestaties in de echte wereld ongelijkmatig zijn.
Het negeren van datakwaliteit en evaluatieplannen zorgt vaak voor fragiele resultaten.
Implementatie routekaart
Begin met een definitie in duidelijke taal van het gewenste resultaat.
Kies één successtatistiek en één faalconditie voordat u gaat testen.
Voer een kleine pilot uit met representatieve gegevens, niet met een gepolijste demoset.
Documenteer waar data-augmentatie helpt en waar eenvoudigere methoden beter zijn.
Blijf verkennen
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
Next guide
AI en gegevens
Frequently asked questions
What is Data Augmentation?
Gegevensvergroting breidt een trainingsset kunstmatig uit door gewijzigde kopieën van bestaande voorbeelden te maken, zoals het omdraaien of bijsnijden van afbeeldingen. Het is van belang omdat meer gevarieerde gegevens overfitting verminderen en modellen helpen te generaliseren naar inputs die ze nog niet hebben gezien.
Wat is het primaire doel van data-vergroting?
Augmentatie creëert gevarieerde, gewijzigde kopieën van bestaande gegevens om overfitting te verminderen en het model te helpen onzichtbare invoer te verwerken.
Welke van deze is een veelgebruikte beeldvergrotingstechniek?
Omdraaien, bijsnijden, roteren en kleurverschuivingen zijn standaard beeldvergrotingen die pixels veranderen met behoud van het label.
Wat doet terugvertaling bij tekstvergroting?
Terugvertaling leidt tekst door een andere taal en terug, waardoor een opnieuw geformuleerde versie ontstaat die de betekenis behoudt.
Waarom moeten augmentaties 'labelbehoud' zijn?
Een transformatie mag het juiste antwoord niet veranderen; het omdraaien van een '6' in een '9' zou bijvoorbeeld het voorbeeld verkeerd labelen.
Wat doet de Mixup-techniek?
Mixup creëert nieuwe samples door inputparen en hun labels lineair te combineren, waardoor vloeiendere beslissingsgrenzen worden bevorderd.