Datenbeschriftung

Definition

Bei der Datenbeschriftung werden Rohdaten Kategorien, Tags oder Attribute zugewiesen, damit Machine-Learning-Modelle daraus lernen können. Sie ist ein zentraler Bestandteil des überwachten Lernens.

Zweck

Ziel ist es, Rohdatensätze für Training und Auswertung nutzbar zu machen. Beschriftungen liefern die „Antworten“, die die Modelle während des Lernens benötigen.

Bedeutung

• Entscheidend für die Erstellung präziser überwachter ML-Modelle.
• Eine schlechte Kennzeichnung verringert die Systemzuverlässigkeit.
• Oft arbeitsintensiv und kostspielig.
• Erfordert Fachwissen in Bereichen wie Medizin oder Recht.

Funktionsweise

1. Definieren Sie Aufgaben und Beschriftungsschema.
2. Segmentieren Sie Rohdaten in Einheiten (Bilder, Sätze, Audioclips).
3. Weisen Sie Beschriftungen manuell oder über halbautomatische Tools zu.
4. Führen Sie Qualitätsprüfungen und Inter-Annotator-Agreement-Tests durch.
5. Exportieren Sie beschriftete Datensätze zum Training.

Beispiele (Reale Welt)

• Shaip: Kennzeichnungsdaten für autonome Fahrzeuge.
• Kaggle-Datensätze: für ML-Wettbewerbe gekennzeichnet.
• Radiologie-Bilddatensätze: von medizinischen Experten beschriftet.

Referenzen / Weiterführende Literatur

• Datenannotation für KI – NIST.
• Kommentieren und Beschriften von Datensätzen – IEEE Transactions on Data Engineering.
• ISO/IEC 24617: Rahmen für semantische Annotationen – ISO.
• Was ist Datenbeschriftung? Alles, was ein Anfänger wissen muss – Shaip