הקטע הזה מתמקד בתוויות.
תוויות ישירות לעומת תוויות שרת proxy
כדאי להשתמש בשני סוגים שונים של תוויות:
- תוויות ישירות, שהן תוויות זהות לחיזוי שהמודל מנסה לבצע. כלומר, החיזוי שהמודל מנסה לבצע מופיע בדיוק כעמודה במערך הנתונים.
לדוגמה, עמודה בשם
bicycle ownerתהיה תווית ישירה למודל סיווג בינארי שמנבא אם לאדם יש אופניים או לא. - תוויות שרירותיות, שהן תוויות שדומות – אבל לא זהות – לחיזוי שהמודל מנסה לבצע. לדוגמה, סביר להניח שאדם שנרשם למגזין Bicycle Bizarre הוא בעל אופניים, אבל לא בטוח.
בדרך כלל, תוויות ישירות עדיפות על פני תוויות שרירותיות. אם מערך הנתונים כולל תווית ישירה אפשרית, מומלץ להשתמש בה. עם זאת, לרוב התוויות הישירות לא זמינות.
תוויות proxy הן תמיד פשרה – קירוב לא מושלם של תווית ישירה. עם זאת, חלק מהתוויות של שרת proxy הן משוערות מספיק כדי להיות מועילות. המודלים שמשתמשים בתוויות proxy מועילים רק במידה שהקישור בין תווית ה-proxy לבין החיזוי חזק.
חשוב לזכור שכל תווית חייבת להיות מיוצגת כמספר נקודה צפה בוקטור המאפיינים (כי למעשה, למידת מכונה היא רק שילוב עצום של פעולות מתמטיות). לפעמים יש תווית ישירה, אבל אי אפשר לייצג אותה בקלות כמספר עשרוני במערך המאפיינים. במקרה כזה, צריך להשתמש בתווית proxy.
תרגול: בדיקת ההבנה
החברה שלכם רוצה לבצע את הפעולות הבאות:
לשלוח שוברים לבעלי אופניים ('החלפת האופניים הישנים תמורת 15% הנחה על אופניים חדשים').
לכן, המודל צריך לבצע את הפעולות הבאות:
לחזות אילו אנשים הם בעלי אופניים.
לצערנו, מערך הנתונים לא מכיל עמודה בשם bike owner.
עם זאת, מערך הנתונים מכיל עמודה בשם recently bought a bicycle.
recently bought a bicycle היא תווית proxy טובה או תווית proxy גרועה עבור המודל הזה?recently bought a bicycle היא תווית proxy טובה יחסית. אחרי הכל, רוב האנשים שקונים אופניים כבר יש להם אופניים. עם זאת, כמו כל תוויות proxy, גם recently bought a
bicycle, גם אם היא טובה מאוד, לא מושלמת. אחרי הכל, האדם שקונה פריט לא תמיד הוא האדם שמשתמש בו (או הבעלים שלו).
לדוגמה, לפעמים אנשים קונים אופניים כמתנה.recently bought a bicycle היא לא מושלמת (חלק מהאופניים נרכשים כמתנות ומחולקים לאחרים). עם זאת, הערך recently bought a bicycle עדיין יכול לשמש אינדיקטור טוב יחסית לכך שמישהו הוא בעלים של אופניים.נתונים שנוצרו על ידי בני אדם
חלק מהנתונים נוצרים על ידי בני אדם. כלומר, אדם אחד או יותר בודקים מידע מסוים ומספקים ערך, בדרך כלל לתווית. לדוגמה, מטאורולוג אחד או יותר יכולים לבחון תמונות של השמיים ולזהות סוגי עננים.
לחלופין, חלק מהנתונים נוצרים באופן אוטומטי. כלומר, תוכנה (אולי מודל נוסף של למידת מכונה) קובעת את הערך. לדוגמה, מודל למידת מכונה יכול לבחון תמונות של שמים ולזהות באופן אוטומטי סוגי עננים.
בקטע הזה נסביר על היתרונות והחסרונות של נתונים שנוצרו על ידי בני אדם.
יתרונות
- בודקים אנושיים יכולים לבצע מגוון רחב של משימות שגם למודלים מתוחכמים של למידת מכונה יכול להיות קשה לבצע.
- התהליך מאלץ את הבעלים של מערך הנתונים לפתח קריטריונים ברורים ועקביים.
חסרונות
- בדרך כלל משלמים למדרגים אנושיים, ולכן נתונים שנוצרו על ידי בני אדם יכולים להיות יקרים.
- טעויות הן אנושיות. לכן, יכול להיות שיותירו כמה בודקים אנושיים שיאלצו להעריך את אותם נתונים.
כדי לקבוע מהם הצרכים שלכם, כדאי לענות על השאלות הבאות:
- מהי רמת המיומנות הנדרשת של הבודקים? (לדוגמה, האם הבודקים חייבים לדעת שפה ספציפית? האם אתם זקוקים לבלשנים לצורך פיתוח אפליקציות של דיאלוג או NLP?)
- כמה דוגמאות מתויגות נדרשות לכם? למתי דרושים לך הפריטים?
- מה התקציב שלך?
תמיד כדאי לבדוק שוב את הדירוגים של הבודקים האנושיים. לדוגמה, תוכלו לתייג 1, 000 דוגמאות בעצמכם ולראות איך התוצאות שלכם תואמות לתוצאות של בודקים אחרים. אם מופיעות אי-התאמות, אל תניחו שהסיווגים שלכם נכונים, במיוחד אם מדובר בשיקול דעת ערכי. אם בודקים אנושיים הכניסו שגיאות, כדאי להוסיף הוראות שיעזרו להם ולנסות שוב.