Cos'è l'etichettatura dei dati per l'AI

Un modello supervisionato impara confrontando i suoi tentativi con le etichette. Se le etichette sono sbagliate o incoerenti, impara errori e incoerenze. Per questo l'etichettatura, che sembra un lavoro banale, decide gran parte della qualità del risultato.

La parte difficile non è mettere l'etichetta, ma decidere le regole. Un graffio lieve è un difetto o no? Una mail che chiede uno sconto dopo un ritardo è un reclamo o una richiesta commerciale? Servono istruzioni scritte con esempi dei casi dubbi. Oggi un modello linguistico può proporre le etichette e le persone correggerle, e il lavoro si accorcia molto.

Un esempio in una PMI

Un laboratorio di occhialeria vuole un sistema che riconosca le lenti con imperfezioni. Due tecnici etichettano le foto separatamente e scoprono di essere in disaccordo su un gruppo di casi: graffi minimi sui bordi. Si mettono d'accordo, scrivono la regola con tre foto d'esempio e ricontrollano le etichette già fatte. Il modello migliora prima ancora di essere addestrato.

Gli errori più comuni

• Affidare l'etichettatura a chi non conosce il lavoro, senza istruzioni.
• Non misurare quanto spesso due persone danno la stessa etichetta allo stesso caso.
• Etichettare solo i casi facili, trascurando quelli di confine.

Perché ti interessa

Se un progetto di AI richiede esempi etichettati, il tempo delle tue persone esperte è una voce di costo vera. Va previsto nel piano, e chi conosce il prodotto o il cliente deve almeno scrivere le regole e controllare un campione.

Tutte le parole dell'AI spiegate semplici sono nel glossario.