De mensen en processen achter kunstmatige intelligentie - @shutterstock | Zapp2photo
Kunstmatige intelligentie heeft een slechte reputatie als banenvernietiger en vervanger van menselijke werknemers. In sommige sectoren is dit waar, maar in andere, met name op het gebied van dataopschoning en -verwerking, loopt AI voorop bij het creëren van nieuwe banen.
' Data labelen en annoteren' is een snelgroeiende industrie die is voortgekomen uit AI. Ongestructureerde datasets uit bronnen zoals camera's en sociale media, of gestructureerde bronnen zoals databases, worden gelabeld, getagd, gekleurd of gemarkeerd om verschillen en overeenkomsten tussen individuen te onthullen. Om een machine te trainen om een stopbord te herkennen, zou iemand in de beelden van een straatcamera stappen en alle stopborden op de foto taggen. De machine zou vervolgens worden gevoed met data die duizenden van deze afbeeldingen identificeert. Na verloop van tijd, door de getagde data te verwerken, zou het systeem nauwkeuriger kunnen worden in het herkennen van wat een stopbord is. Dit type machine learning, waarbij een systeem de nauwkeurigheid verbetert door meer data te ontvangen, wordt deep learning genoemd.
Omdat dit proces essentieel is voor algoritmen om hun kernfuncties nauwkeurig uit te voeren, zal de data-labelingsindustrie de komende vijf jaar aanzienlijk aan belang winnen. In 2018 werd de markt voor data-voorbereiding voor AI en machine learning, een proces dat sterk afhankelijk is van handmatige labeling door mensen, geschat op 500 miljoen dollar. Volgens Cognilytica zal dit naar verwachting meer dan verdubbelen en in 2023 1,2 miljard dollar bereiken. Externe aanbieders verwachten een substantiële groei, van een marktomvang van 150 miljoen dollar naar 1 miljard dollar in dezelfde periode. Data-labeling is met name belangrijk voor AI-toepassingen zoals object- en beeldherkenning, autonome voertuigen en tekst- en beeldannotatie.
Kunstmatige intelligentie heeft een slechte reputatie als banenvernietiger en vervanger van menselijke werknemers. In sommige sectoren is dit waar, maar in andere, met name op het gebied van dataopschoning en -verwerking, creëert AI juist nieuwe banen.
Het labelen en annoteren van data is een snelgroeiende industrie die is ontstaan dankzij AI. Ongestructureerde datasets, afkomstig van bronnen zoals camera's en sociale media, of gestructureerde bronnen zoals databases, worden door mensen gelabeld, gemarkeerd, gekleurd of onderstreept om verschillen en overeenkomsten aan te tonen. Om een machine te trainen om te leren wat een stopbord is, moet iemand camerabeelden van een straat bekijken en alle stopborden op de foto markeren. De machine krijgt vervolgens data aangeleverd die duizenden van deze afbeeldingen identificeert. Na verloop van tijd kan het systeem steeds nauwkeuriger bepalen wat een stopbord is door de gelabelde data te verwerken. Dit type machine learning, waarbij een systeem nauwkeuriger wordt naarmate er meer data aan wordt toegevoegd, wordt deep learning genoemd.
Omdat dit proces essentieel is voor algoritmen om de kernonderdelen van hun functie nauwkeurig uit te voeren, zal de data-labelingindustrie de komende vijf jaar naar verwachting een enorme groei doormaken. In 2018 bedroeg de markt voor data-voorbereiding voor AI en machine learning, een proces dat sterk afhankelijk is van mensen die handmatig data labelen, 500 miljoen dollar. Volgens Cognilytica zal dit naar verwachting meer dan verdubbelen en in 2023 1,2 miljard dollar bereiken. Externe aanbieders verwachten een aanzienlijke groei, van 150 miljoen dollar naar 1 miljard dollar in dezelfde periode. Data-labeling is met name essentieel voor AI die zich bezighoudt met object- en beeldherkenning, autonome voertuigen en tekst- en beeldannotatie.
Contact houden
