L'intelligence artificielle (IA) joue un rôle de plus en plus essentiel dans de très nombreux secteurs, de la 🔗 santé à la 🔗 finance en passant par l' 🔗 immobilier. Cependant, l'IA, dans la plupart de ses applications commerciales, est extrêmement dépendante des données, et l'obtention de données de haute qualité est souvent un défi important pour des équipes de Data Scientists et développeurs. Ces derniers disposent rarement d'une expertise en gestion de pipelines de données importants nécessitant une qualification manuelle, à un niveau granulaire. Dans cet article, nous explorons dix questions que se prosent fréquemment ces équipes sur la manière d'obtenir des données pour les projets IA, et comment les aborder de manière stratégique et éthique.
1. Où commencer avec mes données ?
Au cours de la dernière décennie, les entreprises de tous les secteurs ont accumulé d'énormes quantités de données. Pourtant, il peut être difficile de savoir par où commencer lorsqu'il s'agit de les utiliser pour l'IA. La clé est de revenir aux objectifs métiers. Identifiez ces objectifs et travaillez ensuite à déterminer quelles données sont nécessaires pour les atteindre. Commencer par essayer de comprendre vos données peut être une tâche complexe, notamment pour les équipes d'experts techniques et Data Scientists rarement formés aux enjeux fonctionnels. Il s'agit alors de travailler conjointement avec des experts fonctionnels pour cibler les principaux objectifs du futur produit IA.
2. Comment m'assurer que les données destinées à être annotées sont représentatives des cas que le modèle IA rencontrera en production ?
L'une des erreurs courantes est de supposer que les données d'entraînement seront identiques aux données de production. En réalité, elles peuvent souvent différer considérablement. Pour éviter les surprises, il faut maintenir une communication rapprochées avec les experts fonctionnel et métier pour comprendre à quoi ressembleront réellement les données en production. Il y a toujours des cas atypiques... (à titre d'exemple, 🔗 on pensera à l'ordinateur de bord de la Tesla, incapable de reconnaître un véhicule inhabituel, à savoir, une charette !).
3. Comment éviter les biais dans mes données ?
Les biais dans les données sont un problème majeur pour l'IA. Ils peuvent prendre diverses formes, de biais sociétaux ou racistes, à des ensembles de données non représentatifs. La seule façon de lutter contre les biais est d'être proactif. Il s'agit de rester informé des dernières recherches en matière d'éthique de l'IA et d'établir des processus responsables pour réduire les biais, en s'appuyant sur des recommandations telles que celles de Google AI et du cadre IBM Fairness 360.
Une réponse des équipes de Data Scientists à ce problème consiste à sourcer des annotateurs au quatre coins de la planète (en externalisant en Inde, aux Philippines, à Madagascar, en Espagne, etc.) ou à avoir recours au crowdsourcing. Bien que pratique, cette réponse est rarement suffisante puisqu'il est impossible ou presque de constituer une équipe aussi diversifiée que l'espèce humaine ! En revanche, une stratégie s'impose souvent puisque tous les cas d'usage ne créent pas de potentiels biais. Distinguer un chat d'un chien, c'est universel !
-hand-innv.png)
4. Quelles parties de mes données d'entraînement devrais-je faire annoter en premier ?
Si vous disposez d'un grand ensemble de données, il est inutile de tout annoter en une fois. Des revues manuelles ainsi que des techniques et des produits sur le marché peuvent vous aider à classer votre ensemble de données, vous permettant d'envoyer uniquement un sous-ensemble équilibré à l'annotation pour un premier jet : un sous-ensemble contenant un échantillon bien réparti de vos données. De cette manière, vous obtiendrez des données équilibrées qui auront davantage d'impact sur la performance de votre modèle.
5. Comment choisir les outils appropriés pour l'annotation de données ?
Le choix des outils d'annotation est essentiel pour garantir des annotations de haute qualité. De nombreuses plateformes et logiciels, tels que 🔗 Labelbox, 🔗 Encord, 🔗 V7 Labs ou 🔗 Label Studio, offrent des fonctionnalités avancées pour vous aider à obtenir des résultats précis. Choisissez-en un qui répond spécifiquement à vos besoins et qui propose une expérience utilisateur adaptée pour vos annotateurs d'images et de 🔗 vidéos.
6. Comment rédiger des instructions claires pour les annotateurs ?
Lors de la préparation du processus d'annotation, il est impératif de créer des directives extrêmement précises pour vos annotateurs (ou Data Labelers). Ces directives doivent aller au-delà de simples instructions et expliquer clairement les critères et les normes à suivre. En intégrant des exemples visuels représentatifs de ce que vous attendez, vous fournissez à vos annotateurs des modèles concrets à suivre, ce qui facilite leur compréhension et leur apprentissage
Veillez à définir des règles spécifiques concernant la manière de dessiner les annotations, en précisant par exemple la taille, la forme, la position et les spécifications de chaque annotation. Plus vos directives seront détaillées et transparentes, plus vos annotateurs seront en mesure de produire des annotations de haute qualité et cohérentes. Cela permettra non seulement d'optimiser le processus d'annotation, mais également d'assurer la fiabilité des données annotées, ce qui est indispensable pour former des modèles d'intelligence artificielle précis et efficaces.
7. Comment former les annotateurs pour obtenir des annotations de haute qualité ?
La formation des annotateurs revêt une importance capitale pour garantir des annotations de haute qualité. Il est essentiel de vous assurer que vos annotateurs comprennent parfaitement les objectifs globaux de votre projet, ainsi que les règles et les exigences spécifiques qui y sont associées. Cette compréhension approfondie est nécessaire pour obtenir des résultats précis et cohérents.
Si vous décidez de collaborer avec un prestataire de services de labellisation, il est tout aussi essentiel de vérifier que cette entreprise propose un programme de formation complet à ses équipes d'annotateurs. Une formation robuste garantit que les annotateurs sont familiers avec les spécificités de votre projet, les directives d'annotation et les critères de qualité. Cela permet également de s'assurer que les annotateurs ont les compétences nécessaires pour traiter efficacement les tâches qui leur sont assignées.
En fin de compte, une formation adéquate contribue à minimiser les erreurs, à améliorer la cohérence des annotations et à optimiser l'efficacité de l'ensemble du processus d'annotation, ce qui est essentiel pour la réussite de votre projet d'apprentissage automatique.
8. Comment gérer les cas ambigus dans les données ?
Établissez des directives pour gérer les situations où les objets à annoter sont partiellement visibles ou flous. Les annotateurs doivent être formés pour identifier et traiter ces cas correctement. Il est également recommandé de disposer d'un registre à alimenter et illustrer au fur et à mesure avec les cas atypiques, afin que les Data Labelers puissent en prendre connaissance.
9. Comment éviter la sur-annotation ?
Évitez d'annoter des zones vides ou de recouvrir le même objet avec plusieurs annotations, ce qui peut entraîner des erreurs de modèle. En cas de doute, il est important de communiquer aux annotateurs qu'il est préférable d'ignorer les images ou frames, que de labelliser de façon approximative, avec le risque d'introduire des erreurs !
10. Quid de l'éthique dans l'annotation des données et le respect des droits des annotateurs d'images et de vidéos ?
Le respect de l'éthique est fondamental dans la collecte et l'annotation de données. Optez pour un prestataire sensible à ces enjeux, garantissant la confidentialité, la rémunération équitable et des mécanismes pour résoudre les préoccupations éthiques des annotateurs. Cela maintiendra des pratiques éthiques tout au long de votre projet d'IA.
En suivant attentivement ces recommandations, vous serez pleinement préparé à obtenir des données de la plus haute qualité possible. Cette préparation méticuleuse est non seulement un gage de réussite et un facteur clé de succès, mais elle est également impérative pour que vos projets d'intelligence artificielle aboutissent !
