EtiquetaLabel

La etiqueta la pone una persona

La etiqueta no es un valor que venga incluido en el dato. El archivo de una foto solo trae píxeles; la palabra "gato" no está en ninguna parte. Alguien mira la foto, decide y escribe esa palabra al lado.

Por eso, fabricar etiquetas es una tarea que consume tiempo humano de forma directa. Para ponerle nombre a diez mil fotos hay que mirarlas diez mil veces y escribir diez mil veces. Si además hay que marcar dónde está el objeto, una sola foto puede tomar varios minutos.

Qué se elige como respuesta correcta depende del objetivo. A la misma foto se le puede poner "gato", o "interior", o "con buena luz". La etiqueta no describe una propiedad del dato en sí, sino el problema concreto que se quiere resolver.

Con la etiqueta se puede calificar

Entrenar es repetir un proceso de calificación una y otra vez. El modelo mira el dato y da una respuesta, y esa respuesta se compara con la etiqueta que trae al lado. Si está mal, se mide cuánto se alejó, y se corrigen los números del modelo en esa medida. Repetir este proceso incontables veces es lo que da la capacidad.

Sin etiqueta no se puede calificar. El modelo dio una respuesta, pero si no hay forma de saber si acertó o falló, tampoco hay forma de saber en qué dirección corregir. Por eso al método que enseña con datos etiquetados se le llama aprendizaje supervisado.

La característica y la etiqueta ocupan lugares distintos

Si cada dato es una fila de una tabla, las columnas de adelante son las características y la última columna es la etiqueta. La característica es lo que el modelo ve; la etiqueta es lo que el modelo tiene que acertar. Los dos tienen que ir emparejados para poder usarse en el entrenamiento.

Cuando el modelo ya está en uso de verdad, no hay etiqueta. La foto nueva solo trae características, y averiguar esa respuesta es la tarea del modelo. La etiqueta solo hace falta mientras se enseña y mientras se mide el rendimiento.

Por eso no puede colarse, entre las características, un valor que solo se pueda llenar sabiendo ya la respuesta correcta. El puntaje del examen sale muy bien, pero en la situación real ese valor no se consigue y el modelo queda sin utilidad.

Si la etiqueta está mal, el aprendizaje también sale mal

El modelo no desconfía de la etiqueta que trae puesta. Si por error alguien anotó "gato" junto a la foto de un perro, el modelo aprende exactamente eso. Basta con que unos pocos puntos porcentuales de las respuestas estén mal anotadas para que el rendimiento baje de forma notoria, y encima cuesta mucho descubrir por qué bajó.

También hay casos ambiguos que se prestan a error. Algo como "esta reseña es positiva o negativa" cambia de una persona a otra. Por eso, al etiquetar, se fija un criterio por escrito y se revisa cuánto coinciden varias personas al anotar el mismo material. Si la coincidencia es baja, la señal dice que hay que revisar primero el criterio, no el material.

También hay caminos para aprender sin etiquetas

Como poner etiquetas sale tan caro, surgieron varios métodos para aliviar esa carga. Hay uno que agrupa datos sin etiqueta según qué tan parecidos son entre sí, y otro que combina un poco de material etiquetado con mucho material sin etiquetar.

El método que usan hoy los modelos de lenguaje se acerca a esto. En vez de que una persona escriba la respuesta correcta, se tapa una parte del texto y se le pide al modelo que adivine qué iba ahí. El texto original hace de respuesta correcta, así que no hace falta trabajo humano. Aun así, en la etapa final, donde se ajusta el modelo al gusto de las personas, sigue haciendo falta el juicio anotado por alguien.