Data augmentation: Jak AI získává více tréninkových variant

Co je data augmentation

Data augmentation, česky rozšiřování nebo augmentace dat, je technika, při které se z existujících dat vytvářejí jejich upravené varianty. Tyto varianty rozšiřují tréninkový dataset, aniž by bylo nutné získávat stejný objem nových původních dat. Model se tak může učit z většího množství příkladů a lépe se přizpůsobit různým podobám vstupů.

Jak augmentace dat pomáhá při trénování AI

Pokud se model při trénování setkává s omezeným počtem příkladů, může si příliš dobře zapamatovat konkrétní data místo toho, aby se naučil obecnější vzory. Augmentace přináší do tréninkového datasetu větší rozmanitost. Díky tomu může snížit riziko přeučení a podpořit odolnost modelu vůči běžným změnám ve vstupních datech.

Upravené příklady však musí zachovávat původní význam a správné označení. Smyslem není vytvářet náhodná data, ale takové varianty, které odpovídají podmínkám, s nimiž se model může setkat při používání.

Příklady augmentace podle typu dat

Obrazová data

U obrázků lze například měnit jejich velikost, ořez, jas nebo kontrast, případně je převracet či mírně otáčet. Takové úpravy model učí rozpoznávat objekty i tehdy, když se jejich vzhled nebo poloha v obraze změní.

Textová data

U textu může augmentace zahrnovat parafrázování nebo jiné úpravy formulace, které zachovají původní význam. Při práci s jazykovými daty je třeba postupovat opatrně: i malá změna slov může pozměnit smysl věty nebo její správnou kategorii.

Zvuková data

Zvukové záznamy lze upravit například změnou hlasitosti nebo přidáním přiměřeného šumu. Model se tak může lépe vyrovnat s rozdíly v kvalitě nahrávek a s okolními zvuky.

Na co si dát při rozšiřování datasetu pozor

Augmentaci je vhodné používat především na tréninková data. Pokud se upravené varianty stejného původního příkladu dostanou současně do trénovací a testovací sady, výsledné vyhodnocení může být zavádějící. Zároveň je nutné volit úpravy odpovídající danému úkolu: příliš výrazná změna může odstranit vlastnost, kterou se má model naučit rozpoznávat.

Data augmentation tedy umožňuje efektivněji využít dostupná data a připravit model na rozmanitější vstupy. Její přínos závisí na tom, zda vytvořené varianty zachovávají podstatné informace a odpovídají reálným situacím.