인공지능으로 데이터 라벨 붙이는거 ㅈㄴ 위험한짓 아님?

[DFADSF(1.177)]

수백만개 데이터 라벨링 하면

인공지능 특성상 오류 존나 날수밖에 없는데

라벨링 오류 난걸 어케 찾어 

그럼 결과물 개판되고 헬엔딩 될것같은데 

[ㅗㅗ(59.14)]

천조국은 가능 - dc App

[익명(221.167)]

모델의 roc값 측정해서 오차 계속 줄여야지. 머신러닝은 결국 모델 최적화 밖에 없음.

[익명(221.167)]

이 경우 계량의 목표는 인간이 붙였을 때보다 오차가 같더나 낮은가겠지. 인간은 반드시 오류가 나오니안.

[DFADSF(1.177)]

인간은 오차범위가 적어도 안정적인데 물컵을 텀블러라고 하는정도 근데 인공지능은 물컵을 갑자기 황소로 인식하니까 문제가 더심각하지 않나싶음

[익명(221.167)]

그건 적용하는 공정의 문제가 클듯. 데이터가 변경되었을 때 roc가 균일해야 하는 문제인데 데이터 안정성이 떨어졌을 때의 문제라 어디에 쓸지 의사결정이 필요한 거고

[익명(221.167)]

요즘 제대로된 모델은 물컵을 황소로 인식하는 정도로 상용출시를 하는 일은 워낙 적긴함. 이건 결국 학습 데이터의 문제인데 고로 비용의 문제기도 해서 비용을 줄이는 최적화를 하던가 구글처럼 무한 데이터 사용이 가능하던다 하면 인간 수준 동급이나 이상으로 기대 가능

[DFADSF(1.177)]

테슬라도 버스를 하늘로 인식하는데 '제대로된 모델' 이 인공지능에서 말이 안된다고봄

[익명(221.155)]

네이버 d2 2019에 레이블링 노이즈 조금 잘못되도 괜찮아요 동영상 참고해봐. 그것도 하나의 학문이고 도전과제라 우리가 해결해 나가야함