Welche Merkmale hat die Label-Sammlung (Crowdsourcing, aktives Lernen)?

Label-Sammlung ist der Prozess der Sammlung annotierter Daten, die für das Training von Modellen des maschinellen Lernens erforderlich sind.

Crowdsourcing ist die Einbindung einer großen Anzahl von Menschen (oft über Online-Plattformen) zur Datenannotation. Dies ermöglicht eine schnelle Erfassung einer großen Anzahl von Labels, aber die Qualität kann variieren, weshalb häufig Validierungs- und Aggregationsmethoden angewendet werden.

Aktives Lernen ist eine Methode, bei der das Modell selbst die informativsten Beispiele für die Annotation auswählt, um den Umfang der benötigten annotierten Daten zu minimieren und die Effizienz des Lernens zu erhöhen. Es handelt sich in der Regel um Beispiele, bei denen das Modell am unsichersten ist.

Auf diese Weise hilft Crowdsourcing, die Sammlung von Labels zu skalieren, und aktives Lernen optimiert den Prozess, reduziert die Kosten für die Annotation und verbessert die Modellqualität.