Data-Centric AI (ИИ, ориентированный на данные)

Data-Centric AI — это подход к построению систем искусственного интеллекта, который отдает приоритет улучшению качества и согласованности набора данных, а не итерациям по архитектуре модели. В этой парадигме модель, такая как усовершенствованная архитектура обнаружения объектов, как Ultralytics YOLO, рассматривается как фиксированный компонент, в то время как основное внимание уделяется систематической разработке данных для повышения производительности. Основная идея, популяризированная лидером в области ИИ Эндрю Ыном, заключается в том, что для многих практических приложений качество данных для обучения является наиболее важным фактором успеха модели. Это включает в себя такие процессы, как очистка данных, точная маркировка данных и стратегический поиск данных для создания надежного и достоверного ИИ.

Важность высококачественных данных

В машинном обучении (ML) принцип «что на входе, то и на выходе» остается в силе. Сложная нейронная сеть (NN), обученная на зашумленных, противоречивых или плохо размеченных данных, неизбежно даст ненадежные результаты. Подход, ориентированный на данные (Data-Centric approach), решает эту проблему, уделяя особое внимание нескольким ключевым аспектам качества данных. Это включает в себя обеспечение согласованности меток, исправление неправильно размеченных примеров, удаление зашумленных или нерелевантных данных и обогащение набора данных для охвата крайних случаев. Такие методы, как аугментация данных, являются важными инструментами в этом процессе, позволяя разработчикам искусственно расширить разнообразие набора данных. Уделяя приоритетное внимание высококачественным наборам данных компьютерного зрения, команды могут значительно повысить точность и надежность модели с меньшими усилиями, чем при сложном перепроектировании модели.

Применение в реальном мире

Философия Data-Centric AI очень эффективна в различных практических сценариях, где качество данных имеет первостепенное значение.

1. ИИ в производстве: Рассмотрим систему визуального контроля на производственной линии, предназначенную для обнаружения дефектов в электронных компонентах. Вместо того чтобы постоянно пробовать новые архитектуры моделей, команда, ориентированная на данные, сосредоточилась бы на наборе данных. Они будут систематически собирать больше изображений редких дефектов, следить за тем, чтобы все дефекты были помечены точными ограничивающими рамками, и использовать дополнения для имитации изменений освещения и углов камеры. Платформы, подобные Ultralytics HUB, помогают управлять такими наборами данных и упрощают процесс обучения пользовательских моделей. Такое итеративное совершенствование данных приводит к созданию более надежной системы, способной выявлять тонкие дефекты, что напрямую влияет на качество продукции.
2. ИИ в здравоохранении: При анализе медицинских изображений можно обучить модель для выявления опухолей на снимках мозга. Стратегия, ориентированная на данные, предполагает тесное сотрудничество с радиологами для разрешения неоднозначных меток в таких наборах данных, как набор данных "Опухоли головного мозга". Команда будет активно искать и добавлять примеры недопредставленных типов опухолей и следить за тем, чтобы данные отражали различные демографические характеристики пациентов, чтобы избежать предвзятости набора данных. Такое внимание к созданию высококачественных и репрезентативных наборов данных очень важно для создания надежных диагностических инструментов, на которые могут положиться врачи. Национальные институты здравоохранения (NIH) предоставляют ресурсы о роли ИИ в биомедицинских исследованиях.

Отличия от смежных терминов

• Model-Centric AI (моделецентричный ИИ): Это традиционный подход, при котором набор данных остается постоянным, в то время как разработчики сосредотачиваются на улучшении модели. Действия включают в себя разработку новых архитектур нейронных сетей, обширную настройку гиперпараметров и внедрение различных алгоритмов оптимизации. Несмотря на важность, моделецентрированный подход может привести к снижению отдачи, если исходные данные содержат недостатки. Такой проект, как соревнование Data-Centric AI Competition Стэнфордского университета, демонстрирует силу сосредоточения внимания на данных, а не на модели.
• Большие данные: Большие данные относятся к управлению и анализу чрезвычайно больших и сложных массивов данных. Хотя ИИ, ориентированный на данные, может быть применен к большим данным, его основной принцип заключается в качестве данных, а не только в их количестве. Небольшой, тщательно обработанный набор данных часто дает лучшие результаты, чем массивный и шумный. Цель заключается в создании более качественных данных, а не в увеличении их количества.
• Эксплораторный анализ данных (EDA): EDA - это процесс анализа наборов данных с целью обобщения их основных характеристик, часто с помощью визуальных методов. Хотя EDA является важным шагом в рабочем процессе ИИ, ориентированного на данные, для выявления несоответствий и областей, требующих улучшения, ИИ, ориентированный на данные, - это более широкая философия систематической разработки всего набора данных для повышения эффективности ИИ. Такие инструменты, как Ultralytics Dataset Explorer, могут облегчить этот процесс.