A anotação de dados é o trabalho de colocar "respostas certas" em dados brutos. Uma pessoa, ou um sistema, olha para um exemplo e registra o que ele representa. Esses exemplos marcados ensinam o modelo.
Como funciona
Tudo começa com dados brutos: fotos, frases, áudios ou registros. O time define um guia de anotação, que explica as categorias e como decidir em casos duvidosos. Depois, anotadores aplicam as marcações.
Existem tipos comuns de anotação:
- Classificação: dizer se um e-mail é spam ou não.
- Rotulagem de entidades: marcar nomes de pessoas e empresas em um texto.
- Caixas e contornos: desenhar o limite de objetos em imagens.
- Transcrição: converter áudio em texto.
- Avaliação de respostas: comparar respostas de um modelo e apontar a melhor, usada em ajustes por feedback humano.
A qualidade importa mais que a quantidade. Para garantir isso, vários anotadores marcam o mesmo item e a equipe mede o grau de concordância entre eles. Divergências mostram onde o guia está confuso.
Exemplo prático
Uma loja quer um modelo que separe mensagens de clientes em "dúvida", "reclamação" e "elogio". A equipe junta algumas centenas de mensagens reais e marca cada uma. O formato pode ser simples:
[
{ "texto": "Meu pedido não chegou", "rotulo": "reclamacao" },
{ "texto": "Qual o horário de atendimento?", "rotulo": "duvida" },
{ "texto": "Adorei o produto", "rotulo": "elogio" }
]Com esses exemplos, é possível treinar um classificador ou ajustar um modelo de linguagem. Também servem como conjunto de teste para medir a acurácia do resultado.
Para que serve
A anotação serve para o aprendizado supervisionado, em que o modelo aprende comparando suas previsões com rótulos corretos. Serve ainda para avaliar modelos, criando conjuntos de teste confiáveis.
No ajuste fino de modelos de linguagem, dados anotados com boas instruções e respostas melhoram o comportamento em tarefas específicas do seu negócio.
Cuidados
Rótulos ruins geram modelos ruins. Também é preciso cuidar de vieses: se os anotadores ou os dados não representam bem os usuários, o modelo herda o problema.
Por fim, respeite a privacidade. Dados com informações pessoais devem ser tratados conforme a LGPD, e muitas vezes precisam ser anonimizados antes de serem enviados a anotadores.