Увеличение объема данных

Уве­ли­че­ние объ­е­ма дан­ных – это про­цесс искус­ствен­но­го уве­ли­че­ния объ­е­ма дан­ных путем гене­ра­ции новых точек из суще­ству­ю­щих набо­ров данных.

Эта тех­ни­ка нахо­дит все боль­шее при­ме­не­ние в алго­рит­мах машин­но­го обу­че­ния для клас­си­фи­ка­ции изображений.

Алго­рит­мы машин­но­го обу­че­ния для клас­си­фи­ка­ции изоб­ра­же­ний обыч­но тре­бу­ют боль­шо­го набо­ра дан­ных, содер­жа­ще­го раз­лич­ные изоб­ра­же­ния. Одна­ко во мно­гих слу­ча­ях доступ­ные набо­ры дан­ных очень огра­ни­че­ны. Это может при­ве­сти к «чрез­мер­ной под­гон­ке дан­ных».

(Пере­под­гон­ка дан­ных – это ста­ти­сти­че­ская ошиб­ка, когда функ­ция очень точ­но соот­вет­ству­ет огра­ни­чен­но­му набо­ру данных).

Раз­мы­тие, пово­рот и нало­же­ние изоб­ра­же­ний с помо­щью рас­ши­ре­ния дан­ных. Всё это поз­во­ля­ет создать боль­ше изоб­ра­же­ний в рам­ках суще­ству­ю­ще­го набо­ра данных.

Увеличение объема данных – что дальше?

Уве­ли­че­ние объ­е­ма дан­ных явля­ет­ся частью мета-трен­да «Аль­тер­на­тив­ные обу­ча­ю­щие набо­ры дан­ных ИИ».

Обу­че­ние моде­лей ИИ ста­но­вит­ся все более доро­гим. И одна из глав­ных при­чин это­го – слож­ность полу­че­ния надеж­ных набо­ров данных.

Для мно­гих стар­та­пов и дру­гих неболь­ших орга­ни­за­ций сто­и­мость сбо­ра реаль­ных набо­ров дан­ных для ИИ часто пре­вы­ша­ет все их бюд­же­ты на вычисления.

В свя­зи с этим воз­ник­ла необ­хо­ди­мость поис­ка аль­тер­на­тив­ных спо­со­бов полу­че­ния набо­ров дан­ных, необ­хо­ди­мых для обу­че­ния моде­лей ИИ.

Напри­мер, син­те­ти­че­ские дан­ные – это мод­ная тех­ни­ка, исполь­зу­е­мая для созда­ния более деше­вых набо­ров данных.

По про­гно­зам Gartner, к 2030 году син­те­ти­че­ские дан­ные ста­нут основ­ным источ­ни­ком дан­ных, исполь­зу­е­мых для обу­че­ния моде­лей ИИ.

Посмот­ри­те боль­ше постов про искус­ствен­ный интел­лект в моём блоге.

Под­пи­ши­тесь на Telegram‑канал Tiku Digital