Data-Centric AI

Veri merkezli yapay zekâ, etiket tutarlılığı, gerçek koşulların kapsanması, sınıf dengesi ve veri temizliği dâhil olmak üzere verileri sistematik biçimde iyileştirerek yapay zekâ sistemini geliştirme uygulamasıdır; model ve eğitim kodu büyük ölçüde sabit kalır. Andrew Ng, 2021'de bu terimi yaygınlaştırırken evrişimli sinir ağları ve transformerlar gibi mimarilerin olgunlaştığını ve çoğu uygulamanın daha iyi bir modelden çok daha iyi verilerle geliştiğini savundu. Bunun karşıtı olan model merkezli yapay zekâ, çoğu akademik sıralama tablosunda olduğu gibi bir karşılaştırma veri kümesini sabit tutar ve mimariler, kayıp fonksiyonları ve hiperparametre ayarı üzerinde yinelemeler yapar.

Ng'in en tanınmış örneği çelik sac denetimiyle ilgiliydi: %76,2 doğrulukta takılıp kalan bir kusur algılayıcı, model merkezli iyileştirmelerden hiçbir fayda görmedi; tutarsız etiketlerin düzeltilmesi ise doğruluğu %93,1'e çıkardı. Aynı yılın ilerleyen dönemlerinde DeepLearning.AI ve Landing AI, modelin sabit tutulduğu ve katılımcıların yalnızca en fazla 10.000 görüntüden oluşan, el yazısıyla yazılmış Roma rakamlarını içeren gürültülü bir görüntü sınıflandırma veri kümesini iyileştirebildiği Veri Merkezli Yapay Zekâ Yarışması'nı düzenledi.

Temel Uygulamalar#

• Tutarlı veri etiketleme: Etiketleyiciler, kutunun arabanın yan aynasını kapsayıp kapsamadığı veya yarı gizlenmiş bir kişinin nasıl etiketleneceği gibi belirsiz durumlar için yazılı kuralları izler. Bu durumları farklı biçimlerde çözen iki etiketleyici, hiçbir modelin üstesinden gelemeyeceği etiket gürültüsü oluşturur.
• Etiket hatalarını bulma: Bir modelin verilen etiketlerle uyuşmayan tahminleri olası hatalara işaret eder. Northcutt, Athalye ve Mueller'in 2021'de yaptığı bir araştırma, 10 popüler veri kümesindeki test örneklerinin ortalama en az %3,3'ünde, ImageNet doğrulama kümesinin ise en az %6'sında etiket hataları buldu.
• Hedefli veri toplama ve sentetik veri: Sınıfa, sahneye, ışıklandırmaya veya nesne boyutuna göre yapılan hata analizi, modelin nerede başarısız olduğunu gösterir. Tam da bu alt kümeler için yeni örnekler eklemek, rastgele eklemelerden daha çok fayda sağlar.
• Veri temizleme: Bozuk dosyaların, ilgisiz görüntülerin ve özellikle hem eğitim hem de test bölümlerinde yer alan birbirine çok benzeyen görüntüler dâhil yinelenenlerin kaldırılmasıdır.
• Veri artırma: Yeni görüntüler toplamadan modelin gördüğü ışıklandırma, ölçek ve bakış açısı çeşitliliğini artırmaktır.

Bölümler arasındaki yinelenenler veri sızıntısına yol açarak test puanlarını yükseltir; sınıf dengesizliği ise modelin, kusurlu parçaların az bulunduğu üretim kusuru tespiti gibi durumlarda önemli olan nadir sınıfı gözden kaçırırken yüksek doğruluk elde etmesine neden olur. Veri kümelerinin küçük, uzman etiketlerinin pahalı olduğu tıbbi görüntü analizinde tutarlı ve incelenmiş etiketler, veri miktarından daha önemlidir.

Veri Merkezli Döngü#

Veri merkezli bir ekip modeli sabit tutar, hatalarını karışıklık matrisi gibi araçlarla inceler ve buna göre veriyi değiştirir. İlk İnce Ayar ve Yineleme Döngüsü dersi, YOLO26 modelinin en zayıf sınıfını bir sonraki veri kümesi düzeltmesine dönüştürürken bu yaklaşımı uygular:

Bu örnek, scikit-learn'ün el yazısı rakamları veri kümesindeki etiketlerin %20'sini bozar, etiketiyle kat dışı tahmini uyuşmayan örnekleri işaretler ve aynı modeli bu örnekleri çıkardıktan sonra yeniden eğitir:

import numpy as np
from sklearn.datasets import load_digits
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_predict, train_test_split

X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# Replace 20% of the training labels with random digits to mimic annotation errors
rng = np.random.default_rng(0)
noisy = y_train.copy()
flip = rng.random(len(noisy)) < 0.2
noisy[flip] = rng.integers(0, 10, flip.sum())
wrong = noisy != y_train  # some random digits match the true label

# The model stays fixed; only the training data changes
model = LogisticRegression(max_iter=5000)
print(f"noisy labels: {model.fit(X_train, noisy).score(X_test, y_test):.1%} test accuracy")

# Flag examples whose out-of-fold prediction disagrees with their label, then drop them
keep = cross_val_predict(model, X_train, noisy, cv=5) == noisy
print(f"flagged {(~keep).sum()} examples, {(~keep & wrong).sum()} of {wrong.sum()} wrong labels")
print(f"cleaned labels: {model.fit(X_train[keep], noisy[keep]).score(X_test, y_test):.1%} test accuracy")

Modelde hiçbir değişiklik yapılmadan test doğruluğu %87,0'dan %94,1'e yükselir. Filtre 354 örneği işaretler: yanlış etiketlenmiş 213 örneğin 211'ini ve doğru ama sıra dışı 143 örneği. Böylece temizlenen küme, hataların neredeyse tamamıyla birlikte bazı geçerli örnekleri de kaybeder.

Veri değişikliklerini karşılaştırmak, hangi verilerin hangi modeli eğittiğini tam olarak bilmeyi gerektirir. Ultralytics Platform, değiştirilemez veri kümesi sürümleri saklar: bulut eğitimindeki Veri Kümesi Sürümünü Kaydet seçeneği her modeli eğitildiği anlık görüntüye bağlar; Sürümleri Karşılaştır özelliği iki anlık görüntü arasında değişen görüntüleri, açıklamaları ve sınıfları listeler; veri kümesinin Modeller sekmesi ise her modelin veri kümesi sürümünü mAP_50-95 gibi öne çıkan metriklerle birlikte listeler.

Veri Merkezli Yapay Zekâ ve İlgili Terimler#

• Aktif öğrenme: Genellikle modelin en az emin olduğu etiketsiz örnekler arasından, sırada hangilerinin etiketleneceğini seçer. Veri merkezli yapay zekâ kapsamındaki tekniklerden biridir.
• Veri çarkı: Dağıtılmış bir modelin girdilerinin ve hatalarının yeni eğitim verilerine dönüştüğü üretim döngüsüdür; bu sayede veri merkezli çalışma her sürümde tekrarlanır.
• Makine öğrenimi operasyonları (MLOps): Modellerin sürümlendirilmesini, eğitilmesini, dağıtılmasını ve izlenmesini sağlayan mühendislik uygulamalarıdır; veri değişikliklerinin yeniden üretilebilir ve karşılaştırılabilir olmasını sağlar.