Ground truth en labels in ai

Maarten Soetens
Bijgewerkt · 1 min lezen

Ground truth als referentie

Ground truth verwijst naar de werkelijke, geverifieerde uitkomst die als referentie dient bij het trainen en evalueren van modellen. Bij medische beeldanalyse is de ground truth bijvoorbeeld de diagnose die door een panel van artsen is vastgesteld. Bij spraakherkenning is het de handmatig uitgeschreven tekst. Ground truth is zelden absoluut: zelfs experts zijn het niet altijd eens, waardoor inter-annotator agreement een belangrijke kwaliteitsmaat is. In sommige domeinen, zoals reinforcement learning, is ground truth niet direct beschikbaar en moet het model leren van beloningen. Het vaststellen van ground truth is arbeidsintensief en foutgevoelig, maar essentieel voor supervised learning. Zonder betrouwbare ground truth kan een model niet effectief leren of valide worden geëvalueerd.

Labels en labelkwaliteit

Een label is de waarde die aan een datapunt wordt toegekend om aan te geven tot welke klasse of waarde het behoort. Bij classificatie is een label bijvoorbeeld 'spam' of 'geen spam'; bij regressie is het een continue waarde zoals temperatuur. Labels worden doorgaans door mensen aangebracht, wat tijdrovend en kostbaar is. Dit heeft geleid tot technieken zoals semi-supervised learning, active learning en weak supervision, waarbij respectievelijk weinig labels, gerichte labeling of onnauwkeurige labels worden gebruikt. Labelruis, systematische fouten in labels, kan modelprestaties ernstig schaden. Daarom worden labelingrichtlijnen, kwaliteitscontroles en meerdere annotatoren ingezet om consistentie te waarborgen. In domeinen zoals contentmoderatie en medische diagnostiek is de kwaliteit van labels direct van invloed op ethische en juridische aspecten van AI-systemen.

Meer over fundamenten van machine learning

Het verschil tussen ai machine learning en deep learning AI is het brede vakgebied, machine learning is een subset die leert uit data, en deep learning is een subset van machine learning met diepe neurale netwerken. Lees uitleg → Hierarchische clustering Hiërarchische clustering bouwt een hiërarchie van clusters, vaak weergegeven als een dendrogram, zonder vooraf het aantal clusters te hoeven specificeren. Lees uitleg → Hoe leren kunstmatige neuronen perceptrons? Een perceptron leert door gewichten aan te passen op basis van de fout tussen voorspelling en werkelijk label, met behulp van een leerregel. Lees uitleg → Wat is een inference inferentie fase? De inference-fase is het gebruik van een getraind model om voorspellingen te doen op nieuwe data, zonder dat het model nog leert. Lees uitleg →
Alle begrippen in fundamenten van machine learning → Naar de kennisbank →

Dit toepassen in
jouw bedrijf?

We vertalen het naar jouw processen en laten binnen een week een werkend prototype zien.

Plan een gesprek Bekijk diensten