Übersicht
Dieser Service betrifft die Kuratierung von Ground-Truth-Annotationen für Test- und Experimentierdaten. Insbesondere betrifft die Datenkennzeichnung die Zuordnung von Datenteilen (z. B. Bildregionen) zu Beschreibungen, die Aufschluss über die Bedeutung dieser Teile geben. Insbesondere ist eine Kennzeichnung erforderlich, wenn die Daten für die Modellschulung verwendet werden sollen.
Wir bieten auch Kennzeichnungsdienste für domänenspezifische Datenattribute wie Krankheitsindikatoren und deren Störfaktoren durch Agrarexperten an. Den gekennzeichneten Daten wird ein Bericht beigefügt, in dem Qualitätsmetriken und Statistiken wie die Anzahl der kommentierten Datenpunkte, der Prozentsatz des für die Anmerkungen abgedeckten vollständigen Satzes, die Anzahl der Anmerkungen und die Vereinbarung zwischen den Anmerkungen zusammengefasst werden.
Mehr über den Service
Wie kann der Service Ihnen helfen?
Datenkennzeichnung ist eine Notwendigkeit, wenn ein KI-Modell auf den Daten trainiert werden muss. Die Kennzeichnung kann jedoch (je nach Datenmenge) ein sehr arbeitsintensiver Prozess sein und erfordert oft spezielles Know-how über den Anwendungsfall, mit dem die Daten verknüpft sind.
Dieser Service bietet dem Kunden Zugang zu einem Expertenteam, bestehend aus Ingenieuren, die in der Entwicklung und Nutzung von KI-Modellen geschult sind, und Agronomen mit umfassenden Kenntnissen über reale Anwendungsfälle.
Wie der Service geliefert wird
Die Dauer dieser Dienstleistung hängt stark von der Art der Kennzeichnung ab, die der Kunde benötigt, sowie von der Menge der zu verarbeitenden Daten. Die Dienstleistung wird ausgehend von der Definition des am besten geeigneten Kennzeichnungsverfahrens auf der Grundlage der Anforderungen des Anwendungsfalls des Kunden zusammen mit dem Kunden erbracht. Diese erste Analyse liefert auch eine Schätzung der Zeit, die für die Ausführung des Dienstes erforderlich ist.
In dieser Definitionsphase wählen wir die am besten geeignete Art von Anmerkungen aus (z.B. Anmerkungen auf Pixelebene von Bildern gegenüber einem einzelnen Etikett für das gesamte Bild) sowie den Grad der Granularität von Etiketten (z.B. Pflanzenfarbe, Sorte, Ernteklasse). Wir vereinbaren mit dem Kunden auch das zu erwartende Annotationsformat (z.B. JSON, CSV) und das zu verwendende Annotationstool (z.B. für den Fall, dass der Kunde in Zukunft zusätzliche Daten selbst beschriften möchte).
Sobald die Definitionsphase der Dienstleistung abgeschlossen ist, wird agrifoodTEF mit der Einrichtung und Durchführung der Kennzeichnung fortfahren. Das endgültige Ergebnis des Dienstes sind die gekennzeichneten Datensätze, denen ein Bericht mit Auswertungen der Daten auf der Grundlage von Qualitätsmetriken beigefügt ist.
Service-Anpassung
Diese Servicebeschreibung ist absichtlich generisch. Jede Instanz dieser Dienstleistung ist in der Tat maßgeschneidert, um sie an die Bedürfnisse und Anforderungen des jeweiligen Kunden anzupassen. Das Folgende ist ein Beispiel für eine Dienstinstanz.
Beispiel Service: Der Kunde ist daran interessiert, das Auftreten der Peronospora-Krankheit (Schimmelpilzkrankheit) in Weinbergen zeitnah zu identifizieren. Peronospora-Symptome können durch die Untersuchung von Veränderungen auf der Blattoberfläche (Erscheinen kleiner Flecken, allmähliche Veränderungen der Blattfarbe) erkannt werden. Der Kunde hat bereits einen Computer Vision Algorithmus implementiert, um Blätter als gesund oder ungesund von Bildern zu klassifizieren. Es sind jedoch zusätzliche Daten erforderlich, um die Leistung und Robustheit der Lösung zu verbessern. Diese Daten wurden im Feld über den Service S00113 gesammelt, aber der Kunde verlangt, dass sie von erfahrenen Agronomen, die das Vorhandensein von Peronospora-Symptomen auf der Ebene der einzelnen Blätter erkennen können, gründlich kommentiert werden.
Um die Anfrage des Kunden zu erfüllen, wird der Service S00290 ausgeführt, indem zuerst Segmentierungsmasken als das am besten geeignete Anmerkungsformat identifiziert werden.
Obwohl die Herstellung kostspieliger und aufwändiger ist, können polygonale Masken die von der Krankheit betroffenen Blattregionen präziser darstellen als beispielsweise rechteckige Begrenzungskästen, die auch gesunde Blattregionen einschließen. Zusammen mit dem Kunden wird vereinbart, dass 60 % der gesammelten Bilder von 5 Agrarwissenschaftlern mit i) Segmentierungsmasken für jede Region kommentiert werden, wenn eine von der Krankheit betroffene Region gefunden wird, und ii) jede Region entweder als „gesund“ oder „ungesund“ gekennzeichnet wird. Darüber hinaus werden wir uns auf Fleiss’ Kappa verlassen, um sicherzustellen, dass bei den Kommentatoren, die Blätter als „gesund/ungesund“ kennzeichnen, ein erhebliches Maß an Übereinstimmung (0,60 oder höher) erzielt wurde.
