لماذا لا تعني كثرة بيانات التدريب جودة النموذج؟

الخلاصة السريعة

راجع صحة البيانات وتغطية الحالات وفائدتها للمهمة، ثم اختبر أثر الزيادة؛ العدد وحده لا يثبت التحسن.

• الجودة مرتبطة بهدف النموذج؛ لا توجد كمية واحدة تكفي لكل مهمة. ^[1]
• تكرار مثال ذي تسمية خاطئة لا يصحح التسمية؛ أصلح مصدر الخطأ قبل زيادة النسخ.
• قد يبقى نوع مهم من الحالات غائبا رغم ارتفاع عدد الصور أو السجلات.
• حدد ما أضافته البيانات الجديدة وافحص النموذج على أمثلة مناسبة؛ لا تعد بتحسن لم يُقَس.

ما معنى بيانات جيدة للمهمة؟

تعرف دورة Google الجودة عمليا بكون البيانات تساعد النموذج على تحقيق هدفه، وتذكر أن مسائل مختلفة قد تحتاج إلى كميات مختلفة جدا. لذلك لا تنقل عددا أعجبك من مشروع إلى مشروع آخر دون فهم الاختلاف. ^[1]

تخيل مهمة افتراضية لتحديد هل إشارة ضوئية مضاءة أم مطفأة في صورة. نحتاج إلى صور تعكس هاتين الحالتين وتعريف واضح لما تعنيه التسمية. مئات الملفات التي لا تظهر الإشارة المطلوبة لا تصبح مفيدة للمهمة بمجرد عدها. لم نجمع هذه الصور أو نبن نموذجا؛ المثال يحدد علاقة الجودة بالسؤال.

ماذا يحدث عندما نزيد الخطأ نفسه؟

لنفترض أن صورة لإشارة مضاءة سميت خطأ «مطفأة»، ثم نُسخت مئة مرة. أصبح العدد أكبر، لكن المعلومة الأساسية بقيت خاطئة. هذا مثال منطقي على الفرق بين زيادة الحجم وإصلاح المحتوى؛ وليس قياسا لأثر النسخ على خوارزمية محددة.

تشدد إرشادات Google لجودة البيانات على مراجعة القياس والتفسير ودقة التعريفات. ^[2] افحص الصورة ودليل التسمية أولا، ثم راجع كيف انتشر الخطأ. إذا أصلحت ملفا واحدا وأبقيت النسخ القديمة، فلا تصف المجموعة كلها بأنها مصححة. سجل النسخة التي ستستخدمها وحدود المراجعة.

كيف تبقى حالات مهمة غائبة؟

قد تضم المجموعة الافتراضية صورا نهارية كثيرة، بينما ستستخدم الخدمة أيضا مساء. العدد لا يخبرنا وحده عن وجود صور المساء. اكتب قائمة بالحالات التي تحتاجها المهمة، ثم افحص أمثلة لكل حالة بدلا من البحث عن رقم إجمالي يطمئنك.

لا يعني ذلك أن كل اختلاف يحتاج عددا متساويا من الأمثلة. المطلوب تفسير نطاق الاستخدام وما تغطيه البيانات بالفعل. إذا كانت الخدمة مخصصة للنهار فقط، فاكتب هذا الحد. وإذا شملت المساء، فلا تفترض أن الصور النهارية ستختبره دون دليل مناسب.

كيف نقرر أن الزيادة أفادت؟

صف ما أضفته تحديدا: حالات لم تكن موجودة، أم تصحيح تسميات، أم أمثلة مستقلة لحالات معروفة؟ ثم قارن أداء النموذج قبل التغيير وبعده على مجموعة تقييم مناسبة وبشروط مفهومة. لا تخلط تغير طريقة الاختبار مع تغير بيانات التدريب عند تفسير النتيجة.

قد يتطلب القرار جمع بيانات إضافية، أو تعديل تعريف المهمة، أو التوقف عن استعمال حقول غير مناسبة. لا يقدم هذا المثال عددا سحريا للتدريب أو وعدا بأن زيادة الحجم ستنجح. قيمة الزيادة تظهر في دليل مرتبط بالمهمة، مع بقاء وصف ما لم تختبره صريحا.