Definition
Bei der KI-Datenerfassung werden Rohdaten – Text, Audio, Bilder, Videos oder strukturierte Datensätze – gesammelt, um Machine-Learning-Modelle zu trainieren, zu validieren und zu testen. Dadurch wird sichergestellt, dass die Modelle repräsentative Beispiele für reale Probleme enthalten.
Zweck
Ziel ist es, Datensätze zu erstellen, die es Algorithmen ermöglichen, Muster effektiv zu erlernen. Eine zuverlässige Datenerfassung reduziert Verzerrungen und verbessert die Modellgenauigkeit in verschiedenen Umgebungen und Populationen.
Bedeutung
- Die Qualität der gesammelten Daten wirkt sich direkt auf die Modellergebnisse aus.
- Eine mangelhafte Erfassung kann zu verzerrten oder unbrauchbaren Modellen führen.
- Verschiedene Quellen verbessern die Generalisierbarkeit und verringern Ungerechtigkeiten.
- Muss ethischen und rechtlichen Standards entsprechen (z. B. DSGVO, HIPAA).
Funktionsweise
- Definieren Sie den benötigten Datentyp basierend auf den Projektzielen.
- Identifizieren Sie Quellen (Sensoren, APIs, Umfragen, Aufzeichnungen usw.).
- Sammeln Sie Daten mit entsprechender Zustimmung und unter Berücksichtigung des Datenschutzes.
- Speichern Sie Daten mit Metadaten zur Rückverfolgbarkeit und für den Kontext.
- Bereiten Sie Daten für spätere Anmerkungen, Bereinigungen oder Schulungen vor.
Beispiele (Reale Welt)
- ImageNet: Großer Bilddatensatz für die Computer Vision-Forschung.
- Google Street View: Für Karten und visuelle KI gesammelte Daten.
- Mozilla Common Voice: offener Datensatz mit Sprachaufzeichnungen für ASR.
Referenzen / Weiterführende Literatur
- Datenblätter für Datensätze – Gebru et al., ACM FAccT.
- Datenaufbereitung für KI-Systeme – NIST.
- ISO/IEC TR 20547-5: Big Data-Referenzarchitektur – ISO.
