۱. گام اول: جمعآوری و برچسبگذاری داده برای هوش مصنوعی
چرا این مهم است؟
بیشتر پروژههای هوش مصنوعی (AI) شکست نمیخورند چون الگوریتم بد است. شکست میخورند چون دادهای که به مدل داده شده، آشفته یا ناکافی بوده.
این درس، اولین و مهمترین قدم عملی پروژهی شماست: جمعآوری دادهی درست و برچسبگذاری داده (Data labeling).
مفهوم اصلی
فرض کن میخواهی سیستمی بسازی که ایمیلهای ورودی را به دو دسته تقسیم کند: «درخواست بودجه» و «درخواست پشتیبانی فنی».
مدل AI مثل یک کارآموز تازهکار است. اگر ۱۰۰ نمونه ایمیل قبلی با برچسب درست به او نشان بدهی، الگو را یاد میگیرد. اگر نمونهها کم یا اشتباه باشند، کارآموز هم اشتباه یاد میگیرد.
مثال واقعی
تیم IT یک شرکت میخواست تیکتهای پشتیبانی را خودکار دستهبندی کند. اول ۵۰۰ تیکت قدیمی را برداشتند و همه را با عجله برچسب زدند.
نتیجهی اول: مدل فقط ۶۰٪ درست تشخیص میداد.
وقتی بررسی کردند، فهمیدند مشکل کجاست — در برچسبگذاری عجولانه، تیکتهایی مثل «سیستم کند است» گاهی «مشکل سختافزار» و گاهی «مشکل شبکه» برچسب خورده بودند، چون دو نفر مختلف برچسب زده بودند و تعریف مشترکی نداشتند.
بعد از اینکه یک راهنمای برچسبگذاری یکصفحهای نوشتند — مثلاً «اگر کندی یا قطعی دربارهی یک دستگاه است ← سختافزار؛ اگر دربارهی اتصال است ← شبکه» — و دوباره برچسب زدند، دقت به ۹۱٪ رسید.
گامبهگام
- حداقل ۱۰۰ نمونهی گذشته جمع کن — هرچه بیشتر بهتر، ولی از ۵۰ کمتر نه.
- دستهها را از قبل تعریف کن — نه بیشتر از پنج تا شش دسته برای شروع.
- یک راهنمای برچسبگذاری یکصفحهای بنویس، با دو تا سه مثال برای هر دسته.
- اگر بیش از یک نفر برچسب میزند، بیست مورد را هر دو نفر جدا برچسب بزنند و مقایسه کنند — اگر نتیجهشان فرق داشت، راهنما ناقص است.
- دادههای کاملاً غیرعادی را کنار بگذار: اسپم، پیامهای آزمایشی، تکراری.
چالش کوچک
بیست ایمیل یا تیکت واقعی از سازمان خودت پیدا کن — میتوانی اسمها را حذف کنی. سعی کن آنها را به دو یا سه دسته تقسیم کنی. وقتی به یک مورد مبهم رسیدی که مطمئن نیستی کجا برود، همان لحظهای است که باید تعریف دسته را دقیقتر کنی.