Onderwerp van de dag: Data Preparation – een cruciale eerste stap voor elk AI-project.
Maar liefst 70% van het werk bij AI-projecten draait om het voorbereiden van data. In deze fase zorg je ervoor dat de gegevens correct, relevant en realistisch zijn. Hier zijn een paar inzichten die ik graag deel:
🔹 Data met een doel: We starten met de vraag: "Is ons doel haalbaar?". Perfectie bestaat niet en AI kan niet alles oplossen, maar met de juiste data kan het waardevolle inzichten bieden en een goede ondersteuning zijn, die maakt dat we ons werk makkelijker en efficiënter kunnen doen.
🔹 Variatie is key: Of het nu gaat om historische data, foto's, tekst of geluid, een dataset moet zoveel mogelijk verschillende situaties en contexten bevatten. Dit maakt een getraind AI model robuuster en accurater.
🔹 Kwaliteit boven kwantiteit: Een goed gebalanceerde dataset is belangrijker dan een enorme hoeveelheid data. Soms kan minder data, maar met meer variatie, betere resultaten geven dan enkel meer van hetzelfde.
🔹 Creatieve oplossingen: Bij het uitwerken van reële use-cases moet je soms out-of-the-box denken. Voorbeeld: bij een inpakproces moest de correctheid van verpakte items gecontroleerd worden, maar items in plastiek verpakkingen waren op foto moeilijk te onderscheiden. Het toevoegen van gekleurde stickertjes hielp om de verschillende soorten items in plastiek verpakkingen beter te herkennen. AI heeft soms net dat extra beetje hulp nodig...
🔹 Labeling: Voor AI-modellen is duidelijke en nauwkeurige labeling essentieel. Het is soms een "pijnlijk" proces, maar dankzij slimme tools en technieken, of met behulp van professionele labeling services, wordt dit proces steeds makkelijker en efficiënter. Een goede dataset verhoogt de kansen op een goed AI model.
Dank aan HOWEST University of Applied Sciences voor deze inspirerende kick-off – op naar de volgende sessie! 🚀
