การติดฉลากข้อมูล (Data Labeling) คืออะไร? คำอธิบายสำหรับมือใหม่
การติดฉลากข้อมูล (data labeling หรือการติดป้ายกำกับข้อมูล) เป็นกระบวนการใส่ฉลากหรือแท็กที่มีความหมายให้กับข้อมูลดิบ เช่น ภาพ ข้อความ เสียง หรือวิดีโอ เพื่อให้โมเดลการเรียนรู้แบบมีผู้สอนมีบริบทในการจดจำรูปแบบและทำนายผล
ฉบับเข้าใจง่าย
ข้อมูลดิบเป็นเพียงตัวเลข พิกเซล หรือข้อความที่คอมพิวเตอร์ยังไม่รู้ความหมาย การติดฉลากจะเพิ่มคำอธิบาย เช่น ทำเครื่องหมายว่าภาพใดมีแมว หรือข้อความใดเป็นเชิงบวก เพื่อให้โมเดลรู้คำตอบที่ถูกต้อง
ตัวอย่างฉลาก
| ประเภทข้อมูล | ตัวอย่างฉลาก |
|---|---|
| ภาพ | มีรถยนต์หรือไม่มี |
| ข้อความ | เชิงบวกหรือเชิงลบ |
| เสียง | คำที่พูดออกมา |
| วิดีโอ | วัตถุหรือการกระทำ |
บทบาทในการเรียนรู้แบบมีผู้สอน
- รวบรวมข้อมูลดิบ
- ติดฉลากคำตอบที่ถูกต้อง
- ฝึกโมเดลเปรียบเทียบคำทำนายกับฉลาก
- ใช้ฉลากเป็นเกณฑ์อ้างอิง เรียกว่า ground truth
คำศัพท์หลัก
- Ground truth: คำตอบที่ถูกต้องซึ่งใช้เป็นเกณฑ์
- คำอธิบายประกอบข้อมูล: อีกชื่อหนึ่งของการติดฉลาก
- Annotator: ผู้ทำหน้าที่ติดฉลาก
เหตุใดจึงสำคัญ
คุณภาพของฉลากเชื่อมโยงกับคุณภาพของการทำนายโดยตรง ฉลากที่ผิดหรือไม่สม่ำเสมออาจทำให้โมเดลเรียนรู้รูปแบบที่ผิด
ข้อจำกัด
การติดฉลากด้วยมือมักใช้เวลาและมีต้นทุนสูง โดยเฉพาะชุดข้อมูลขนาดใหญ่ ปัจจุบันบางขั้นตอนใช้เครื่องมือหรือโมเดลช่วย แต่ยังต้องมีคนตรวจสอบ
FAQ
Ground truth คืออะไร?
คำตอบที่ถูกต้องและทราบแล้ว ใช้เป็นเกณฑ์ในการฝึก
การติดฉลากและคำอธิบายประกอบต่างกันไหม?
ทั้งสองคำหมายถึงการเพิ่มคำอธิบายให้ข้อมูลดิบเช่นเดียวกัน
มีแต่ภาพเท่านั้นที่ต้องติดฉลากหรือไม่?
ไม่ใช่ ข้อความ เสียง และวิดีโอก็ต้องใช้ฉลากเช่นกัน
เหตุใดฉลากที่ผิดจึงเป็นปัญหา?
โมเดลเลียนแบบฉลาก ฉลากผิดจึงนำไปสู่การทำนายที่ผิด
สรุปใจความสำคัญ
- การติดฉลากข้อมูลทำให้ข้อมูลดิบมีความหมาย
- ฉลากเป็นเกณฑ์ที่โมเดลเรียนรู้แบบมีผู้สอนใช้ฝึก
- คุณภาพฉลากส่งผลต่อคุณภาพการทำนาย
- การติดฉลากด้วยมือต้องอาศัยความรอบคอบ
อ่านต่อกับ [การเรียนรู้แบบมีผู้สอนคืออะไร](supervised-learning-khue-arai) และ [machine learning คืออะไร](machine-learning-khue-arai)
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free