Uppgiftsmärkning

Datamärkning är en nödvändighet när det finns behov av att träna en AI-modell på data. Märkning kan dock (beroende på datamängd) vara en mycket arbetsintensiv process och kräver ofta specialiserad kunskap om det användningsfall som uppgifterna är förknippade med. Denna tjänst ger kunden tillgång till ett expertteam bestående av ingenjörer utbildade i utveckling och användning av AI-modeller och agronomer med omfattande kunskap om verkliga användningsfall.

Varaktigheten av denna tjänst beror i hög grad på vilken typ av märkning som kunden behöver, samt på mängden data som ska behandlas. Tjänsten levereras från och med definitionen, tillsammans med kunden, av det lämpligaste märkningsförfarandet baserat på kraven i kundens användningsfall. Denna inledande analys kommer också att ge en uppskattning av den tid som krävs för att utföra tjänsten. I denna definitionsfasen kommer vi att välja den lämpligaste typen av anteckningar att producera (t.ex. pixelnivåkommentarer av bilder jämfört med en enda etikett för hela bilden), liksom graden av granularitet hos etiketter (t.ex. växtfärg, sort, grödklass). Vi kommer också att komma överens med kunden om det förväntade anteckningsformatet (t.ex. När tjänstens utformningsfas är klar kommer agrifoodTEF att fortsätta med utformningen och genomförandet av märkningen. Det slutliga resultatet av tjänsten är de märkta dataseten, åtföljda av en rapport med utvärderingar av data baserat på kvalitetsmått.

Denna tjänstebeskrivning är avsiktligt generisk. Varje instans av denna tjänst är faktiskt anpassad för att anpassa den till den specifika kundens behov och krav. Följande är ett exempel på en serviceinstans. Exempeltjänst: Kunden är intresserad av att snabbt identifiera uppkomsten av Peronospora (dunig mögel) sjukdom i vingårdar. Peronospora symptom kan upptäckas genom att inspektera förändringar på bladytan (utseende av små fläckar, gradvisa förändringar i bladfärgen). Kunden har redan implementerat en datorseendealgoritm för att klassificera löv som friska eller ohälsosamma från bilder. Ytterligare data krävs dock för att förbättra lösningens prestanda och robusthet. Dessa data har samlats in på fältet via service S00113, men kunden kräver att de noggrant kommenteras av expertagronomer som kan känna igen förekomsten av Peronospora-symtom på nivån för enskilda löv. För att uppfylla kundens begäran utförs service S00290 genom att först identifiera segmenteringsmasker som det lämpligaste anteckningsformatet. Även om det är dyrare och betungande att producera, kan polygonala masker mer exakt representera de bladregioner som drabbats av sjukdomen än till exempel rektangulära avgränsande lådor som också omsluter friska bladregioner. Tillsammans med kunden kommer man sedan överens om att 60 % av de insamlade bilderna kommer att kommenteras av fem agronomiska experter med i) segmenteringsmasker för varje region, om någon region som drabbats av sjukdomen hittas, och ii) varje region kommer att märkas som antingen ”hälsosam” eller ”ohälsosam”. Dessutom kommer vi att förlita oss på Fleiss Kappa för att säkerställa att en betydande grad av enighet (0,60 eller högre) har uppnåtts bland annotatorerna när bladen markeras som ”hälsosamma/ohälsosamma”.