Etiket (Label)

Etiket nedir?

Etiket (label), denetimli öğrenmede her veri örneğiyle birlikte verilen doğru cevaptır. Bir e-postanın "spam" ya da "spam değil" olması, bir evin satış fiyatı, bir cümlenin olumlu ya da olumsuz duygusu; bunların hepsi etikettir. Modelin görevi, girdiye bakıp bu etiketi tahmin etmeyi öğrenmektir.

Bir veri örneği iki parçadan oluşur: özellikler (feature) ve etiket. Özellikler modelin baktığı şeydir, etiket ise tahmin etmeye çalıştığı şey.

Nasıl çalışır?

Eğitim sırasında model her örnek için bir tahmin üretir ve bu tahmin etiketle karşılaştırılır. Aradaki fark loss fonksiyonuyla ölçülür, ardından model ağırlıklarını bu farkı küçültecek şekilde günceller. Yani etiket, modelin hatasını ölçtüğü cetveldir.

Etiketler farklı biçimlerde olabilir. Sınıflandırmada etiket bir kategoridir (kedi, köpek, kuş). Regresyonda sürekli bir sayıdır (fiyat, sıcaklık). Nesne tespitinde bir sınırlayıcı kutu, segmentasyonda piksel piksel bir maske, dil modellerinde ise çoğu zaman "bir sonraki token" etiket görevi görür.

Etiketler genellikle insanlar tarafından üretilir: veri etiketleme ekipleri, uzman hekimler, moderatörler. Bazen de kullanıcı davranışından dolaylı olarak türetilir; bir videonun sonuna kadar izlenmesi "beğenildi" etiketi yerine kullanılabilir. Bu tür dolaylı etiketlere proxy label denir ve dikkatli kullanılmazlarsa modeli yanlış hedefe yönlendirebilirler.

Neden önemli?

Model, etiketlerden daha iyi olamaz. Etiketler hatalı, tutarsız ya da önyargılıysa model bunları sadakatle öğrenir. "Çöp girer, çöp çıkar" sözü en çok burada geçerli. Etiketleme ayrıca pahalıdır; büyük ve kaliteli bir etiketli veri kümesi hazırlamak aylar sürebilir. Self-supervised learning ve sentetik veri gibi yaklaşımlar tam da bu maliyeti düşürmek için yükseldi.

Kullanım alanları

• Sınıflandırma: Spam filtresi, duygu analizi, görüntü tanıma.
• Regresyon: Fiyat tahmini, talep tahmini.
• Bilgisayarlı görü: Nesne tespiti için kutu, segmentasyon için maske etiketleri.
• Dil modelleri: SFT aşamasında örnek cevaplar, RLHF'te insan tercihleri etiket olarak kullanılır.
• Değerlendirme: Test setindeki etiketler, modelin ne kadar başarılı olduğunu ölçmenin temelidir.
• Aktif öğrenme: Etiketleme bütçesi kısıtlıysa, model en çok kararsız kaldığı örnekleri seçip insanlara etiketletir. Böylece daha az etiketle daha fazla başarı elde edilir ve etiketleme ekibinin zamanı en değerli örneklere harcanır.