Tool-Tipp: Cleanlab entrümpelt Trainingsdaten für Machine-Learning-Modelle

Inhaltsverzeichnis

Cleanlab ist ein Open-Source-Tool, das Machine-Learning-Trainingsdaten automatisiert prüft. Von diesen Daten hängt die Qualität moderner Machine-Learning-Modelle ab: Die Modelle können nur so gut sein wie die Daten, mit denen man sie trainiert. Somit entfällt ein großer Teil der Arbeit von Data Engineers und Data Scientists darauf, richtige und gute Trainingsdaten zusammenzustellen.

Besonders komplexe Machine-Learning-Modelle wie im Deep Learning üblich sind jedoch mit sehr vielen Daten zu trainieren, um eine hohe Vorhersagequalität zu liefern. Daher hat man es mit Tausenden von Datensätzen und ihren Labels zu tun, die sich nicht nur im richtigen Dateiformat und örtlich nahe an der Trainingshardware befinden müssen, sondern für ausgewogene Modelle auch noch eine ähnliche Anzahl Beispiele pro Trainingsklasse erhalten sollen.

Mehr zum Thema Machine Learning

• No Code: ML-Prototyping mit igel
• Interview zu den Grenzen der KI: Machine-Learning-Agenten gegen NetHack
• Deep Learning: Modelle an Hardware anpassen
• Wie unternehmensweite Datenstrategien zu erfolgreichen KI-Projekten führen
• Schutz vor Data Poisoning und anderen Angriffen auf KI-Systeme
• Datenmanagement für KI: Machine-Learning-Versionierung mit Data Version Control
• Machine Learning: Wie Sie mit PyDeequ Datenqualitätstests definieren
• MLOps für AI auf eingebetteten Systemen
• Machine Learning: Sprache verarbeiten mit den Azure Cognitive Services
• Machine Learning: TensorFlow-Benchmarks auf MacBooks mit M1 Pro und M1 Max
• Neural-Network-Translator: Universelles Übersetzungstool für neuronale Netze
• Verteiltes maschinelles Lernen mit TensorFlow auf einem Raspi-Clusterchen
• Vergleich von Machine-Learning-Frameworks
• Stimmung mithilfe von Machine Learning analysieren

Ramon Wartala

Ramon Wartala ist Associate Partner bei IBM Consulting in Hamburg. Als Berater entwirft und implementiert er mit seinem Team Datenarchitekturen für Machine-Learning-Lösungen seiner Kunden.

Vor allem beim Training von Objekterkennungs- und Objektsegmentierungsmodellen können viele Labels pro Bild fehlen oder falsch sein, denn meist erstellen immer noch Menschen die Labels per Hand. Umgekehrt können auch zu viele Labels zu einem Verrauschen der Trainingsdaten führen.

Das war die Leseprobe unseres heise-Plus-Artikels "Tool-Tipp: Cleanlab entrümpelt Trainingsdaten für Machine-Learning-Modelle". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.