داده‌افزایی (Data Augmentation) چیست؟

افزایش داده یا داده‌افزایی چیست؟

افزایش داده (Data Augmentation) فرآیند تولید مصنوعی داده‌های جدید از داده‌های موجود است که عمدتاً برای آموزش مدل‌های جدید یادگیری ماشین (ML) استفاده می‌شود. مدل‌های یادگیری ماشین به مجموعه‌های داده‌ای بزرگ و متنوع برای آموزش اولیه نیاز دارند، اما جمع‌آوری مجموعه داده‌های واقعی با تنوع کافی به دلیل موانعی مانند جداسازی داده‌ها، مقررات و سایر محدودیت‌ها می‌تواند چالش‌برانگیز باشد. افزایش داده به‌صورت مصنوعی حجم مجموعه داده را با ایجاد تغییرات کوچک در داده‌های اصلی افزایش می‌دهد. راه‌حل‌های هوش مصنوعی مولد (Generative AI) اکنون برای افزایش داده با کیفیت بالا و سریع در صنایع مختلف استفاده می‌شوند.

چرا داده‌افزایی مهم است؟

مدل‌های یادگیری عمیق به حجم زیادی از داده‌های متنوع وابسته‌اند تا پیش‌بینی‌های دقیقی در زمینه‌های مختلف ارائه دهند. افزایش داده با ایجاد تنوع در داده‌ها به بهبود دقت پیش‌بینی‌های مدل کمک می‌کند. داده‌های افزوده‌شده در آموزش بسیار حیاتی هستند.

در ادامه برخی از مزایای افزایش داده آورده شده است:

مزایای داده‌افزایی:

• بهبود عملکرد مدل: تکنیک‌های داده‌افزایی با ایجاد تغییرات زیاد در داده‌های موجود، به غنی‌سازی مجموعه‌داده‌ها کمک می‌کنند. این امر یک مجموعه داده بزرگتر برای آموزش فراهم می‌کند و مدل را قادر می‌سازد تا با ویژگی‌های متنوع‌تری روبرو شود. داده‌های افزوده شده به مدل کمک می‌کنند تا بهتر به داده‌های دیده نشده تعمیم یابد و عملکرد کلی آن را در محیط‌های دنیای واقعی بهبود بخشد.
• کاهش وابستگی به داده: جمع‌آوری و آماده‌سازی حجم زیادی از داده برای آموزش می‌تواند پرهزینه و زمان‌بر باشد. تکنیک‌های داده‌افزایی، اثربخشی مجموعه‌داده‌های کوچکتر را افزایش می‌دهند و وابستگی به مجموعه‌داده‌های بزرگ در محیط‌های آموزشی را به شدت کاهش می‌دهند. می‌توانید از مجموعه‌داده‌های کوچکتر برای تکمیل مجموعه با نقاط داده مصنوعی استفاده کنید.
• کاهش بیش‌برازش در داده‌های آموزشی: داده‌افزایی به جلوگیری از بیش‌برازش در هنگام آموزش مدل‌های ML کمک می‌کند. بیش‌برازش رفتار نامطلوب ML است که در آن یک مدل می‌تواند به طور دقیق برای داده‌های آموزشی پیش‌بینی ارائه دهد، اما با داده‌های جدید مشکل دارد. اگر یک مدل فقط با یک مجموعه داده محدود آموزش ببیند، می‌تواند بیش‌برازش پیدا کند و فقط پیش‌بینی‌های مربوط به آن نوع داده خاص را ارائه دهد. در مقابل، داده‌افزایی یک مجموعه داده بسیار بزرگتر و جامع‌تر برای آموزش مدل فراهم می‌کند. این امر باعث می‌شود مجموعه‌های آموزشی برای شبکه‌های عصبی عمیق منحصر به فرد به نظر برسند و از یادگیری آنها برای کار فقط با ویژگی‌های خاص جلوگیری می‌کند.
• بهبود حریم خصوصی داده: اگر نیاز به آموزش یک مدل یادگیری عمیق بر روی داده‌های حساس دارید، می‌توانید از تکنیک‌های افزایشی بر روی داده‌های موجود برای ایجاد داده‌های مصنوعی استفاده کنید. این داده‌های افزوده شده، ویژگی‌ها و وزن‌های آماری داده‌های ورودی را حفظ می‌کنند در حالی که دسترسی به داده‌های اصلی را محدود و محافظت می‌کنند.

موارد استفاده از داده‌افزایی چیست؟

داده‌افزایی کاربردهای متعددی در صنایع مختلف ارائه می‌دهد و عملکرد مدل‌های ML را در بسیاری از بخش‌ها بهبود می‌بخشد.

• مراقبت‌های بهداشتی: داده‌افزایی یک فناوری مفید در تصویربرداری پزشکی است زیرا به بهبود مدل‌های تشخیصی که بیماری‌ها را بر اساس تصاویر تشخیص، شناسایی و تشخیص می‌دهند، کمک می‌کند. ایجاد یک تصویر افزوده شده، داده‌های آموزشی بیشتری را برای مدل‌ها فراهم می‌کند، به ویژه برای بیماری‌های نادری که فاقد تغییرات داده منبع هستند. تولید و استفاده از داده‌های بیمار مصنوعی، تحقیقات پزشکی را با رعایت تمام ملاحظات مربوط به حریم خصوصی داده پیش می‌برد.
• مالی: داده‌افزایی به تولید نمونه‌های مصنوعی از تقلب کمک می‌کند و مدل‌ها را قادر می‌سازد تا برای تشخیص دقیق‌تر تقلب در سناریوهای دنیای واقعی آموزش ببینند. مجموعه‌های بزرگتر داده آموزشی در سناریوهای ارزیابی ریسک کمک می‌کنند و پتانسیل مدل‌های یادگیری عمیق را برای ارزیابی دقیق ریسک و پیش‌بینی روندهای آینده افزایش می‌دهند.
• تولید: صنعت تولید از مدل‌های ML برای شناسایی نقص‌های بصری در محصولات استفاده می‌کند. با تکمیل داده‌های دنیای واقعی با تصاویر افزوده شده، مدل‌ها می‌توانند قابلیت‌های تشخیص تصویر خود را بهبود بخشند و نقص‌های احتمالی را پیدا کنند. این استراتژی همچنین احتمال ارسال یک پروژه آسیب‌دیده یا معیوب به کارخانه‌ها و خطوط تولید را کاهش می‌دهد.
• خرده‌فروشی: محیط‌های خرده‌فروشی از مدل‌ها برای شناسایی محصولات و اختصاص آنها به دسته‌ها بر اساس عوامل بصری استفاده می‌کنند. داده‌افزایی می‌تواند تغییرات داده مصنوعی از تصاویر محصول را تولید کند و یک مجموعه آموزشی ایجاد کند که تغییرات بیشتری از نظر شرایط نور، پس‌زمینه‌های تصویر و زوایای محصول داشته باشد.

داده‌افزایی چگونه کار می‌کند؟

افزایش داده داده‌های موجود را تغییر می‌دهد، ویرایش می‌کند یا اصلاح می‌کند تا تنوع ایجاد کند. در ادامه مرور مختصری از این فرآیند ارائه شده است.

• اکتشاف مجموعه داده: اولین مرحله داده‌افزایی، تجزیه و تحلیل یک مجموعه داده موجود و درک ویژگی‌های آن است. ویژگی‌هایی مانند اندازه تصاویر ورودی، توزیع داده‌ها یا ساختار متن، زمینه بیشتری را برای داده‌افزایی فراهم می‌کنند.
• انتخاب تکنیک‌های داده‌افزایی: می‌توانید تکنیک‌های مختلف داده‌افزایی را بر اساس نوع داده زیربنایی و نتایج مورد نظر انتخاب کنید. به عنوان مثال، افزایش یک مجموعه داده با تصاویر زیاد شامل افزودن نویز به آنها، تغییر مقیاس یا برش آنها می‌شود. از طرف دیگر، افزایش یک مجموعه داده متنی برای پردازش زبان طبیعی (NLP) جایگزینی مترادف‌ها یا بازنویسی گزیده‌ها است.
• افزایش داده‌های موجود: پس از انتخاب تکنیک داده‌افزایی که بهترین کارایی را برای هدف مورد نظر شما دارد، شروع به اعمال تغییرات مختلف می‌کنید. نقاط داده یا نمونه‌های تصویر در مجموعه داده با استفاده از روش افزایشی انتخابی شما تغییر می‌کنند و طیف وسیعی از نمونه‌های افزوده شده جدید را ارائه می‌دهند.
• حفظ قوانین برچسب‌گذاری: در طول فرآیند داده‌افزایی، قوانین برچسب‌گذاری یکسان را برای سازگاری داده حفظ می‌کنید و اطمینان حاصل می‌کنید که داده‌های مصنوعی شامل همان برچسب‌های مربوط به داده‌های منبع هستند.
• بررسی کیفیت: معمولاً تصاویر مصنوعی را بررسی می‌کنید تا مشخص کنید که آیا تبدیل موفقیت‌آمیز بوده است یا خیر. این مرحله اضافی تحت رهبری انسان به حفظ کیفیت بالاتر داده کمک می‌کند.
• ادغام فرم‌های داده: در مرحله بعد، داده‌های جدید و افزوده شده را با داده‌های اصلی ترکیب می‌کنید تا یک مجموعه داده آموزشی بزرگتر برای مدل ML تولید کنید. هنگام آموزش مدل، از این مجموعه داده ترکیبی از هر دو نوع داده استفاده می‌کنید.

توجه به این نکته مهم است که نقاط داده جدیدی که توسط داده‌افزایی مصنوعی ایجاد می‌شوند، همان بایاس داده‌های ورودی اصلی را دارند. برای جلوگیری از انتقال بایاس به داده‌های جدید خود، قبل از شروع فرآیند داده‌افزایی، هرگونه بایاس در داده‌های منبع را برطرف کنید.

برخی از تکنیک‌های داده‌افزایی چیست؟

تکنیک‌های داده‌افزایی در انواع مختلف داده و زمینه‌های تجاری متمایز متفاوت است.

• بینایی کامپیوتر:

  افزایش داده تکنیک محوری در وظایف بینایی کامپیوتری است. این کمک می‌کند تا نمایش‌های داده‌ای متنوع ایجاد شود و عدم تعادل کلاس‌ها در یک مجموعه داده آموزشی را برطرف کند.

  اولین استفاده از افزایش داده در بینایی کامپیوتری از طریق افزایش موقعیت است. این استراتژی تصاویر ورودی را برش می‌دهد، می‌چرخاند یا معکوس می‌کند تا تصاویر افزوده‌شده ایجاد کند. برش یا اندازه تصویر را تغییر می‌دهد یا بخش کوچکی از تصویر اصلی را برش می‌دهد تا تصویر جدیدی ایجاد کند. چرخش، معکوس کردن و تغییر اندازه تحولاتی هستند که تصویر اصلی را به صورت تصادفی با احتمال معینی تغییر می‌دهند تا تصاویر جدیدی ارائه کنند.

  استفاده دیگر از افزایش داده در بینایی کامپیوتری، افزایش رنگ است. این استراتژی عوامل ابتدایی یک تصویر آموزشی مانند روشنایی، درجه کنتراست یا اشباع آن را تنظیم می‌کند. این تحولات رایج تصویر، رنگ، تعادل تاریک و روشن و جدایی بین تاریک‌ترین و روشن‌ترین نواحی تصویر را تغییر می‌دهند تا تصاویر افزوده‌شده ایجاد کنند.

• افزایش داده‌های صوتی:

  فایل‌های صوتی، مانند ضبط‌های گفتار، نیز زمینه‌ای رایج برای استفاده از افزایش داده هستند. تحولات صوتی معمولاً شامل تزریق نویز تصادفی یا گاوسی به برخی صداها، تسریع بخش‌هایی، تغییر سرعت بخش‌ها با نرخ ثابت یا تغییر زیر و بم است.

• افزایش داده‌های متنی:

  افزایش داده متنی تکنیک مهمی برای پردازش زبان طبیعی (NLP) و سایر بخش‌های مرتبط با متن یادگیری ماشین است. تحولات داده متنی شامل جابه‌جایی جملات، تغییر موقعیت کلمات، جایگزینی کلمات با مترادف‌های نزدیک، درج کلمات تصادفی و حذف کلمات تصادفی است.

• انتقال سبک عصبی:

  انتقال سبک عصبی یک شکل پیشرفته از افزایش داده است که تصاویر را به بخش‌های کوچک‌تر تجزیه می‌کند. این روش از مجموعه‌ای از لایه‌های کانولوشنی استفاده می‌کند که سبک و زمینه یک تصویر را جدا می‌کند و از یک تصویر واحد تصاویر متعددی تولید می‌کند.

• آموزش خصمانه:

  تغییرات در سطح پیکسل چالشی برای مدل یادگیری ماشین ایجاد می‌کند. برخی نمونه‌ها شامل افزودن لایه‌ای از نویز غیرقابل‌تشخیص روی تصویر برای آزمایش توانایی مدل در درک تصویر زیرین است. این استراتژی نوعی افزایش داده پیشگیرانه است که بر دسترسی غیرمجاز احتمالی در دنیای واقعی تمرکز دارد.

نقش هوش مصنوعی مولد در داده‌افزایی چیست؟

هوش مصنوعی مولد در داده‌افزایی ضروری است زیرا تولید داده‌های مصنوعی را تسهیل می‌کند. این کمک می‌کند تا تنوع داده افزایش یابد، ایجاد داده‌های واقعی ساده‌تر شود و حریم خصوصی داده حفظ شود.

شبکه‌های مولد متخاصم

شبکه‌های مولد متخاصم (GAN) چارچوبی از دو شبکه عصبی مرکزی هستند که به صورت متخاصم کار می‌کنند. مولد نمونه‌های داده مصنوعی تولید می‌کند، سپس تشخیص‌دهنده بین داده‌های واقعی و نمونه‌های مصنوعی تمایز قائل می‌شود.

با گذشت زمان، GANها خروجی مولد را با تمرکز بر فریب دادن تشخیص‌دهنده بهبود می‌بخشند. داده‌هایی که می‌توانند تشخیص‌دهنده را فریب دهند به عنوان داده‌های مصنوعی با کیفیت بالا محسوب می‌شوند و افزایش داده را با نمونه‌های بسیار قابل اعتمادی که به توزیع داده اصلی نزدیک هستند، فراهم می‌کنند.

خودکارسازهای متغیر

خودکارسازهای متغیر (VAEs) نوعی شبکه عصبی هستند که به افزایش اندازه نمونه داده‌های اصلی کمک می‌کنند و نیاز به جمع‌آوری داده زمان‌بر را کاهش می‌دهند. VAEs دارای دو شبکه متصل هستند: یک کدگذار و یک رمزگشا. کدگذار تصاویر نمونه را می‌گیرد و آن‌ها را به یک نمایش میانی ترجمه می‌کند. رمزگشا این نمایش را می‌گیرد و تصاویر مشابهی را بر اساس درک خود از نمونه‌های اولیه بازسازی می‌کند. VAEs مفید هستند زیرا می‌توانند داده‌هایی بسیار شبیه به داده‌های نمونه ایجاد کنند و به افزودن تنوع کمک می‌کنند در حالی که توزیع داده اصلی را حفظ می‌کنند.