Labelled Data

Wat is labelled data?

Labelled data (gelabelde data) zijn gegevens waarbij elk voorbeeld is voorzien van het juiste antwoord, het label. Bij een verzameling foto’s staat bij elke foto of er een hond of een kat op staat; bij een set e-mails staat bij elke mail of het spam is of niet. Die labels vormen de “grondwaarheid” waarmee een machine learning-model leert het verband te leggen tussen kenmerken en uitkomst.

Hoe werkt het?

Tijdens de training krijgt het model duizenden gelabelde voorbeelden te zien en past het zichzelf aan tot zijn voorspellingen zo vaak mogelijk overeenkomen met de labels. Een deel van de gelabelde data wordt apart gehouden als testset, om eerlijk te meten hoe goed het model presteert op voorbeelden die het nog nooit zag. Het labelen zelf gebeurt vaak door mensen en is daarmee de duurste stap van veel AI-projecten. De kwaliteit van de labels bepaalt direct de kwaliteit van het model: inconsistente of foute labels leveren een slecht model op, hoe geavanceerd de techniek ook is.

Wat heb je eraan als bedrijf?

Wil je een model trainen op je eigen situatie, bijvoorbeeld om klantvragen automatisch naar de juiste afdeling te sturen, dan heb je gelabelde voorbeelden nodig: historische vragen mét de juiste afdeling erbij. Vaak zit die informatie al in je systemen en is het vooral een kwestie van opschonen. Goed nieuws voor kleinere bedrijven: moderne taalmodellen kunnen veel taken al aan met weinig of geen eigen gelabelde voorbeelden, waardoor de drempel een stuk lager ligt dan een paar jaar geleden.

Gerelateerde begrippen

Het toevoegen van labels heet data labelling of annotation. Leren met gelabelde data heet supervised learning; de gelabelde voorbeelden vormen de training set en de test set.