Datalabeling is het werk van ruwe voorbeelden voorzien van het juiste antwoord, zodat een model iets heeft om van te leren. Een foto krijgt het label ‘kat’ of ‘hond’, een e-mail wordt gemarkeerd als ‘spam’ of ‘veilig’, een zin krijgt de score positief of negatief. Die labels worden de antwoordsleutel die een berg ruwe data verandert in bruikbare trainingsdata.
Stel je voor dat je een kind fruit leert herkennen. Je houdt een appel omhoog en zegt ‘appel’, dan een banaan en zegt ‘banaan’, keer op keer, tot het kind fruit kan benoemen dat je nooit hebt laten zien. Labelen is dat geduldige aanwijzen-en-benoemen, op grote schaal en over duizenden voorbeelden. Het model oefent daarna tot het het label kan voorspellen voor dingen die het nog nooit zag. Dit is de basis van supervised learning, waar elk trainingsvoorbeeld met zijn bekende antwoord komt.
De kwaliteit van de labels bepaalt de bovengrens van het model. Inconsistent labelen (twee mensen die hetzelfde anders labelen) leert het model ruis in plaats van signaal. Daarom tellen heldere richtlijnen en controlestappen net zo zwaar als het aantal gelabelde items.
Het werk is ook subtieler dan het klinkt. Neem een supportticket met het label ‘boos’. De ene labelaar leest frustratie, de ander leest een rustige klacht, en nu krijgt het model tegenstrijdige signalen over dezelfde woorden. Goede projecten lossen dit op met een helder regelboek, een paar voorbeelden als ijkpunt en een controle waarbij twee mensen dezelfde batch labelen om te zien hoe vaak ze het eens zijn. Verschillen ze veel, dan worden de instructies aangescherpt, niet de mensen aangewezen. Juist dit saaie, nauwkeurige voorwerk verklaart waarom twee teams met hetzelfde budget heel verschillende modellen overhouden. De data, niet het algoritme, geeft meestal de doorslag.
Bij TopDevs zetten we schone labelworkflows op voor klanten die maatwerk-AI bouwen, zodat de data die een machine learning-model voedt consistent genoeg is om echt op te vertrouwen.
