Data Augmentation

Wat is data augmentation?

Data augmentation is een techniek waarmee je je trainingsdata kunstmatig uitbreidt door bestaande voorbeelden te variëren. Je verzamelt geen nieuwe data, maar maakt slimme variaties op wat je al hebt. Zo train je een model met meer variatie zonder de kosten van extra dataverzameling, en wordt het model robuuster.

Hoe werkt het?

Bij afbeeldingen is het heel concreet: je draait, spiegelt, snijdt bij of past de helderheid aan. Een foto van een product blijft hetzelfde product, ook als hij 15 graden gekanteld is. Door het model al die varianten te laten zien, leert het dat de kern hetzelfde blijft. Bij tekst vervang je woorden door synoniemen of herformuleer je zinnen; bij audio voeg je achtergrondruis toe of verander je het tempo. Een nieuwere variant is synthetische data: generatieve AI maakt compleet nieuwe, realistische trainingsvoorbeelden, bijvoorbeeld extra voorbeelden van zeldzame productiefouten.

Wat heb je eraan als bedrijf?

Data augmentation is het antwoord op een veelvoorkomend MKB-probleem: te weinig data om AI op te trainen. Wil je bijvoorbeeld een model dat defecte producten herkent, maar heb je maar vijftig foto’s van defecten, dan kan augmentation daar duizenden bruikbare trainingsvoorbeelden van maken. Het verlaagt de drempel om met eigen, kleinschalige data toch een goed model te bouwen.

Gerelateerde begrippen

Data augmentation helpt tegen overfitting en data scarcity. Het wordt veel gebruikt bij het trainen van convolutional neural networks, en synthetische data komt vaak uit generative models.