ラベリング とは？

ほぼ同じ意味で使われることが多いけど、厳密には少し違うよ。ラベリングは「犬」「猫」のようにカテゴリのタグを付けること。アノテーションはもう少し広くて、画像の中の物体の位置を四角で囲んだり、文章の各単語に品詞を付けたりする作業も含むんだ。

ラベリングガイドラインを事前に作るのが大事だよ。「どこまでが犬でどこからが狼？」みたいな曖昧なケースの判断基準を決めておくんだ。そして複数人に同じデータをラベリングさせて、一致率が低いものは見直す。これを「アノテーター間一致率」と呼ぶよ。

実は最近はかなりできるようになってきているよ。まず少量のデータを人手でラベリングして小さなモデルを作り、そのモデルで残りのデータに仮ラベルを付けて、人間が修正する「アクティブラーニング」という手法がある。LLMを使って自動ラベリングする方法も増えているんだ。

クラウドソーシング（Amazon Mechanical Turk、Scale AI、Labelboxなど）で大量の作業者に依頼するケースが多いよ。医療画像のように専門知識が必要なラベリングは医師や研究者が行う。実はAIの品質はラベリングの品質に直結するから、「Data-Centric AI」という考え方で、モデルよりデータの質を重視する流れが強まっているんだ。

あるよ！教師なし学習やself-supervised learning（自己教師あり学習）という手法だね。GPTは「次の単語を予測する」というタスクでラベルなしのテキストから学習しているし、画像のCLIPは画像とテキストのペアから自動でラベリングに近い学習をする。ラベリングコスト削減はAI研究の最重要テーマの一つで、foundation modelの登場で「大量のラベルなしデータで事前学習→少量のラベルありデータで微調整」というパラダイムが主流になってきているよ。