Labeled Data
Labeled Data, ou Données Étiquetées en français, désigne un ensemble de données brutes qui ont été enrichies ou annotées avec une ou plusieurs étiquettes (labels) informatives et significatives. Ces étiquettes fournissent un contexte ou une interprétation aux données brutes, indiquant généralement la catégorie, la propriété, la valeur ou le résultat attendu associé à chaque échantillon de donnée. L’ensemble constitué de la donnée brute et de son étiquette forme un exemple d’entraînement pour les algorithmes d’apprentissage automatique.
Les concepts fondamentaux autour des données étiquetées reposent sur l’association d’une information interprétative (l’étiquette) à une donnée brute (l’échantillon). Par exemple, une image d’un animal (donnée brute) peut être associée à l’étiquette « chat » (information interprétative). Ce processus d’association est appelé annotation ou étiquetage (labeling). Les étiquettes doivent être pertinentes pour la tâche à accomplir par un modèle d’apprentissage automatique. La qualité et la cohérence de ces étiquettes sont primordiales, car elles constituent la « vérité terrain » (ground truth) sur laquelle le modèle apprendra à faire des prédictions ou des classifications. Les données étiquetées sont la pierre angulaire de l’apprentissage supervisé (supervised learning), un paradigme où un algorithme apprend une fonction de mappage entre les entrées (données brutes) et les sorties souhaitées (étiquettes).
L’importance des données étiquetées est considérable dans le domaine de l’intelligence artificielle (IA) et de l’apprentissage automatique (Machine Learning). Elles servent de « carburant » essentiel pour entraîner la majorité des modèles performants actuels, notamment en deep learning. Sans données étiquetées, il est très difficile pour un modèle d’apprendre à réaliser des tâches spécifiques comme la classification ou la régression avec une grande précision. Elles permettent non seulement d’entraîner les modèles mais aussi d’évaluer objectivement leur performance en comparant les prédictions du modèle aux étiquettes connues. La disponibilité de grands jeux de données étiquetées de haute qualité a été un facteur clé dans les progrès récents de l’IA.
Les applications pratiques des données étiquetées sont nombreuses et variées. En vision par ordinateur, des images sont étiquetées avec des noms d’objets (ex: « voiture », « piéton ») pour entraîner des systèmes de reconnaissance d’images ou de détection d’objets pour les véhicules autonomes. Des images médicales (radios, IRM) peuvent être étiquetées par des radiologues avec des diagnostics (« tumeur bénigne », « fracture ») pour aider au développement d’outils d’aide au diagnostic. Dans le traitement du langage naturel (NLP), des phrases ou des documents sont étiquetés avec leur sentiment (positif, négatif, neutre), leur sujet (sport, politique, technologie) ou des entités nommées (personnes, lieux, organisations) pour entraîner des systèmes d’analyse de sentiment, de classification de texte ou de chatbots. Les enregistrements audio sont transcrits en texte (l’étiquette) pour entraîner des modèles de reconnaissance vocale utilisés dans les assistants virtuels. Les données financières historiques peuvent être étiquetées avec des indicateurs futurs (ex: défaut de paiement, hausse du prix) pour entraîner des modèles de prévision.
Il existe différentes nuances et variations dans le concept de données étiquetées. Les étiquettes peuvent être de divers types : catégorielles (pour la classification), numériques continues (pour la régression), séquentielles (comme une séquence de mots pour la traduction automatique) ou même structurées (comme des arbres syntaxiques pour l’analyse grammaticale ou des boîtes englobantes avec des classes pour la détection d’objets). La méthode d’obtention des étiquettes varie également : elles peuvent être fournies par des experts du domaine, par des annotateurs non experts via des plateformes de crowdsourcing, ou générées de manière semi-automatique. Le concept de « weak supervision » (supervision faible) utilise des étiquettes générées par des heuristiques ou des sources indirectes, moins précises mais plus faciles à obtenir que des étiquettes manuelles parfaites. L’apprentissage semi-supervisé combine un petit nombre de données étiquetées avec une grande quantité de données non étiquetées, tandis que l’apprentissage actif (active learning) est une stratégie où le modèle sélectionne lui-même les données pour lesquelles il serait le plus utile d’obtenir une étiquette.
Plusieurs concepts sont étroitement liés aux données étiquetées. Le concept le plus direct est celui des « Unlabeled Data » (Données Non Étiquetées), qui sont des données brutes sans aucune étiquette associée. Celles-ci sont utilisées en apprentissage non supervisé (Unsupervised Learning) pour découvrir des structures ou des motifs cachés. L’apprentissage supervisé (Supervised Learning) est le paradigme qui dépend intrinsèquement des données étiquetées. Le processus de création est appelé « Data Annotation » ou « Data Labeling ». La « Ground Truth » (Vérité Terrain) est souvent utilisée comme synonyme des étiquettes considérées comme exactes et fiables. Le « Crowdsourcing » est une méthode populaire pour acquérir des étiquettes à grande échelle, bien que potentiellement au détriment de la qualité si elle n’est pas bien gérée.
L’utilisation de données étiquetées remonte aux débuts de l’apprentissage automatique statistique et de la reconnaissance de formes. Cependant, leur importance a explosé avec l’avènement du Deep Learning au début des années 2010. Les réseaux de neurones profonds nécessitent d’énormes quantités de données pour être entraînés efficacement, et les données étiquetées se sont avérées particulièrement efficaces pour atteindre des performances de pointe sur de nombreuses tâches. Cette demande croissante a stimulé le développement d’outils, de plateformes et même d’une industrie dédiée à l’annotation de données, avec des techniques évoluant de l’annotation purement manuelle à des approches assistées par l’IA et semi-automatisées.
Les avantages des données étiquetées résident principalement dans leur capacité à permettre un apprentissage dirigé et mesurable. Elles guident le modèle vers l’apprentissage de relations spécifiques entrée-sortie définies par les humains, ce qui conduit souvent à des modèles très performants pour des tâches bien définies. Elles fournissent également une métrique claire et objective pour évaluer la performance des modèles. Cependant, les inconvénients et défis sont significatifs. L’acquisition de données étiquetées est souvent très coûteuse en temps et en argent, nécessitant une expertise humaine ou un effort d’annotation important. Le processus est difficilement scalable, et la qualité des étiquettes peut être sujette à des erreurs, des incohérences ou des biais introduits par les annotateurs ou inhérents aux données elles-mêmes. Ces biais peuvent ensuite être appris et amplifiés par les modèles. La dépendance excessive aux données étiquetées peut également limiter la capacité à aborder des problèmes où l’étiquetage est infaisable ou trop coûteux, poussant la recherche vers des approches nécessitant moins d’étiquettes, comme l’apprentissage auto-supervisé ou non supervisé.