Die Genauigkeit und Effektivität von Deep Learning hängt stark von der Qualität und Quantität der Lerndaten ab. Und obwohl wir uns voll und ganz im Zeitalter von Big Data befinden, reicht die Menge der verfügbaren Informationen manchmal nicht aus, um ein Deep-Learning-Modell zu erstellen. An dieser Stelle kommt Data Augmentation ins Spiel.
Worum geht es also? Wie funktioniert es? Was sind die Vor- und Nachteile? Das werden wir uns in diesem Artikel ansehen.
Data augmentation - Definition
Mithilfe von Data Augmentation kann die Menge an Daten, die von Deep-Learning-Tools verwendet werden, künstlich erhöht werden. Dabei werden neue Datenpunkte aus bestehenden Daten generiert, entweder durch kleine Änderungen an den Daten oder sogar durch die Verwendung anderer maschineller Lernmodelle, die den Datensatz vergrößern.
In diesem Zusammenhang muss unterschieden werden zwischen :
- Synthetischen Daten: Dies sind künstlich erzeugte Daten ohne Bezug zur realen Welt. Meistens werden sie von generativen Adverbialnetzen erzeugt.
- Erweiterten Daten: Diese stammen aus Originaldaten, denen kleinere Transformationen hinzugefügt wurden (z. B. die Übersetzung von Textdaten in eine andere Sprache, die Drehung eines Bildes oder das Hinzufügen von Rauschen zu einem Video). Diese Transformationen erhöhen die Vielfalt des Lernsatzes.
In vielen Fällen werden Augmented Data von Organisationen bevorzugt, da sie der Realität ähnlicher sind. In manchen Fällen können synthetische Daten jedoch relevanter sein. Insbesondere wenn es um die Einhaltung der DSGVO geht (wir werden später darauf zurückkommen).
Heutzutage werden Data Augmentation-Methoden häufig in Deep-Learning-Anwendungen eingesetzt. Zum Beispiel bei der Erkennung von Objekten, der Klassifizierung von Bildern, der Bilderkennung, dem Verständnis natürlicher Sprache, der semantischen Segmentierung und so weiter.
Wie funktioniert Data Augmentation?
Um zwischen einer Katze, einem Hund, einem Pferd oder einem Delfin zu unterscheiden, braucht ein Deep-Learning-Modell eine Vielzahl von Bildern, die diese verschiedenen Tiere darstellen. Und vor allem muss es über verschiedene Bilder verfügen. Das heißt, mit unterschiedlicher Ausrichtung, Lage, Größe, Helligkeit usw. Erst wenn es in der Lage ist, diese verschiedenen Tiere unabhängig von ihrer Ausrichtung, Größe oder Beleuchtung genau zu klassifizieren, ist es wirklich einsatzbereit. Man spricht dann von einem faltenden neuronalen Netz (CNN).
Auf dieser Erkenntnis basiert die Verwendung von Data Augmentation. Die Idee ist, die Daten zu manipulieren, indem man verschiedene Parameter hinzufügt, entfernt oder verändert, um dem Lernmodell einen sehr vielfältigen Satz an Trainingsdaten zur Verfügung zu stellen. Je mehr Variablen der Datensatz anbietet, desto mehr komplexe Unterscheidungsmerkmale kann das CNN lernen.
Um eine möglichst große Anzahl von Parametern anzubieten, wird also der Prozess der Datenaugmentation in Gang gesetzt. Die Technik der Datenerhöhung hängt jedoch von der Art der verwendeten Daten ab.
Data Augmentation für visuelle Daten
Hier ist der Prozess der Datenerhöhung am einfachsten durchzuführen. In diesem Rahmen sind folgende Schritte zu implementieren:
- Die Eingabe der Eingabedaten in die Datenanreicherungspipeline ;
- Die Implementierung der sequentiellen Schritte verschiedener Augmentierungen, wie Rotation, Farbänderung (Wechsel von Graustufen zu RGB), Unschärfe und Spiegelung (vertikal und horizontal).
- Die Verarbeitung des Bildes bei jedem sequentiellen Schritt mit Zuweisung einer Wahrscheinlichkeit ;
- Die zufällige Überprüfung der augmentierten Ergebnisse durch einen Menschen ;
Die Nutzung der augmentierten - Daten durch den KI-Trainingsprozess.
Data Augmentation für Textdaten
Aufgrund der Komplexität der natürlichen Sprache ist Data Augmentation im NLP-Bereich seltener. Trotzdem ist es, auch wenn es schwieriger ist, nicht unmöglich, Textdaten künstlich anzureichern. Der Prozess der Datenaugmentation sieht folgendermaßen aus:
- Die einfache Data Augmentation: z. B. durch das Ersetzen von Synonymen, das Einfügen, Austauschen und Löschen von Wörtern.
- Rückübersetzung: Der aus der Zielsprache übersetzte Text wird in seine Originalsprache zurückübersetzt.
- Kontextualisierte Worteinbettungen: Hier geht es darum, Beziehungen zwischen Wörtern und Sätzen herzustellen.
Was sind die Vor- und Nachteile von Data Augmentation?
Vorteile
Die Datenvermehrung ist eine kostengünstige und effektive Methode, mit der viele Probleme beim Entwurf neuronaler Deep-Learning-Netze überwunden werden können.
Einerseits sind Organisationen traditionell vom Prozess der Datensammlung und -aufbereitung abhängig. Denn um hochpräzise KI-Modelle zu erstellen, benötigen sie große Mengen an qualitativen Daten. Aber auch wenn das Sammeln und Aufbereiten von Daten für Deep Learning unerlässlich ist, ist dieser Schritt extrem zeitaufwendig und teuer. Umgekehrt führt die Datenvermehrung dazu, dass große Mengen qualitativer Daten in kürzester Zeit zur Verfügung stehen.
Andererseits müssen Unternehmen, wenn sie personenbezogene Daten sammeln und verwenden, die Datenschutzbestimmungen einhalten. Dies kann die Anzahl der verfügbaren und verwertbaren Daten einschränken. Hier ermöglicht die Generierung synthetischer Daten, die erforderlichen Datenmengen zu erhalten, ohne die Rechte des Einzelnen auf Privatsphäre zu beeinträchtigen.
Vor allem aber ermöglicht Data Augmentation durch die künstliche Generierung neuer Daten, dass Deep-Learning-Modelle größere und vollständigere Trainingsdatensätze verwenden können. Dadurch werden ihre Leistung und die Relevanz der Ergebnisse stark verbessert.
Nachteile
Trotz aller Vorteile der Datenaugmentation sollte man sich der Grenzen dieser Methode der Datenanreicherung bewusst sein:
- Die den Originaldaten innewohnenden Verzerrungen bleiben auch in den augmentierten Daten bestehen und können sogar noch verstärkt werden.
- Die Gewährleistung der Qualität der künstlich erweiterten Datensätze hat auch ihren Preis.
- Die Erstellung von synthetischen Daten erfordert erhebliche Ressourcen (Fähigkeiten, fortgeschrittene Anwendungen, Forschung und Entwicklung…).
DataScientest, die unverzichtbare Ausbildung zum Entwerfen von Deep Learning-Modellen
Über die Data Augmentation hinaus erfordert die Konzeption von Deep Learning Modellen eine Vielzahl an fortgeschrittenen technischen Fähigkeiten (Programmiersprache, Data Engineering, KI, Datenvisualisierung, …). Genau aus diesem Grund bietet Datascientests dir seine Ausbildung an. Schließ dich uns an!
