Veštačka inteligencija → Modul 2 → Podaci – hrana za AI

Podaci – hrana za veštačku inteligenciju

Model je dobar onoliko koliko su dobri podaci iz kojih je učio. U ovoj lekciji saznaćeš šta su podaci, šta su osobine i oznake, zašto je važno da podataka bude mnogo i da budu raznovrsni – i kako loši podaci prave nepravedan model.

Šta su podaci

Podatke za učenje najčešće zapisujemo u tabelu: svaki red je jedan primer, a svaka kolona jedna osobina. Slike i zvuk se pre učenja pretvaraju u brojeve (na primer, svaki piksel slike je broj koji kaže koliko je svetao).

Osobine i oznake

U tabeli razlikujemo dve vrste kolona:

• osobine – ono što merimo ili vidimo (masa, boja, oblik);
• oznaka – tačan odgovor koji model treba da nauči da pogađa (koje je to voće).

Označavanje podataka je često najveći posao u pravljenju AI sistema. Za neke zadatke (npr. snimke iz medicine) oznake moraju da daju stručnjaci.

Koliko podataka treba?

• Za jednostavan zadatak (npr. razlikovanje dva predmeta kamerom) dovoljno je nekoliko desetina primera po grupi – to ćeš probati u sledećoj lekciji.
• Za prepoznavanje hiljada vrsta predmeta potrebni su milioni slika.
• Veliki jezički modeli uče iz ogromnih količina teksta – mnogo više nego što bi čovek mogao da pročita za ceo život.

Ali nije važna samo količina, nego i raznovrsnost: različita svetla, uglovi, pozadine, ljudi, glasovi.

Pristrasnost: kad podaci nisu pošteni

Ako u podacima nešto nedostaje ili ima previše jedne vrste primera, model to „nasledi“. To se zove pristrasnost (engl. bias).

• Model koji je učio samo na slikama crnih mačaka može da ne prepozna belu mačku.
• Prepoznavanje lica koje je učilo uglavnom na licima jedne grupe ljudi češće greši kod drugih ljudi.
• Aplikacija za prepoznavanje govora koja je slušala samo odrasle teže razume decu.

Pristrasan model može da bude nepravedan prema nekim ljudima, iako to niko nije namerno hteo. Zato se podaci pažljivo biraju i proveravaju.

Greške u podacima

Pre učenja podatke treba očistiti: ukloniti ili ispraviti greške. Tipične greške:

• pogrešna oznaka (jabuka označena kao banana);
• nemoguća vrednost (masa jabuke 15 000 g – neko je zaboravio zarez);
• nedostaje vrednost (prazno polje);
• isti primer upisan više puta.

Kod senzora (kao u lekciji o DHT11) tipična greška je neuspelo merenje – zato program proverava isnan() i takvo merenje ne čuva.

Podaci i privatnost

Mnogi podaci govore nešto o ljudima: fotografije, glas, poruke, lokacija. Pre nego što se koriste za učenje, ljudi treba da znaju i da se slože. Kad sami pravite skup podataka u školi, ne koristite fotografije drugih bez dozvole – snimajte predmete, a ne lica.

Aktivnost: pronađi greške u tabeli

Česte zablude

• „Više podataka uvek rešava problem“ – ako su podaci jednolični ili pogrešno označeni, više istih grešaka ne pomaže.
• „Računar je objektivan, pa je i AI uvek pošten“ – AI uči iz podataka koje su skupili ljudi – i nasleđuje njihove propuste.

Zadaci za vežbu

Pokušaj prvo sam, pa tek onda otvori rešenje.

1. U tabeli o učenicima su kolone: visina, broj cipela, razred i „igra košarku“ (da/ne). Ako model treba da pogodi da li učenik igra košarku, šta su osobine, a šta oznaka?
2. Aplikacija prepoznaje pse, ali je učila samo na slikama nemačkih ovčara. Šta će se verovatno desiti sa pudlicom? Kako bi to popravio?
3. Navedi tri vrste grešaka koje se mogu naći u podacima.

Proveri znanje