Glossário IA
O dicionário completo da Inteligência Artificial
Aprendizagem Ativa Multi-anotadores
Paradigma de aprendizagem automática onde múltiplos anotadores colaboram para rotular os dados mais informativos selecionados por um algoritmo ativo. Esta abordagem otimiza o uso dos recursos humanos, aproveitando as especialidades complementares e os custos variáveis dos anotadores.
Estratégia de Amostragem Colaborativa
Método de seleção de amostras que coordena as preferências e especialidades de vários anotadores para maximizar a qualidade global dos rótulos. Equilibra a incerteza do modelo e a distribuição ótima das tarefas de acordo com as competências de cada anotador.
Modelo de Expertise do Anotador
Framework probabilístico ou determinístico que quantifica a competência, a fiabilidade e os vieses específicos de cada anotador em diferentes classes ou tipos de dados. Este modelo guia a alocação das amostras em função das forças individuais de cada contribuinte.
Alocação Dinâmica de Amostras
Processo adaptativo que atribui as amostras não rotuladas aos anotadores mais apropriados em tempo real, com base na sua expertise atual e disponibilidade. Esta alocação otimiza o compromisso entre a qualidade da anotação e o orçamento temporal ou monetário.
Matriz de Confiança Inter-anotadores
Estrutura de dados que mede a consistência e a fiabilidade relativas entre as anotações de diferentes contribuidores em amostras semelhantes. Permite detetar discordâncias sistemáticas e ajustar os pesos de confiança para a agregação final dos rótulos.
Custo de Anotação Adaptativo
Modelo de custo variável que ajusta a remuneração ou o tempo alocado a cada anotação de acordo com a dificuldade da amostra e a expertise necessária. Esta abordagem otimiza a alocação do orçamento, favorecendo as atribuições mais rentáveis em termos de ganho de informação.
Diversidade de Anotações
Critério de seleção que garante uma distribuição variada das amostras entre os anotadores para evitar a super-especialização e maximizar a cobertura do espaço de características. Mantém o equilíbrio entre a exploração das especialidades e a exploração de novas perspetivas.
Agregação de Rótulos Multi-fontes
Técnica de fusão que combina os rótulos de vários anotadores numa única previsão de consenso, utilizando métodos como o voto ponderado, os modelos de Dawid-Skene ou a inferência bayesiana. Esta agregação corrige os erros individuais e produz rótulos mais fiáveis.
Seleção por Incerteza Ponderada
Estratégia que avalia a incerteza do modelo enquanto pondera essa medida pelo custo e pela expertise necessários para resolver cada amostra. Ela privilegia as instâncias que oferecem a melhor relação informação/benefício de acordo com as capacidades dos anotadores disponíveis.
Consulta por Comitê Multi-anotadores
Extensão de Query-by-Committee onde vários modelos são treinados em diferentes subconjuntos de anotações para identificar as amostras com o maior desacordo preditivo. Essa abordagem é enriquecida pela diversidade das perspectivas dos anotadores no comitê.
Calibração de Anotadores
Processo de ajuste sistemático das previsões dos anotadores para corrigir vieses individuais e harmonizar as escalas de confiança entre diferentes contribuidores. A calibração garante que as pontuações de confiabilidade sejam comparáveis e utilizáveis para a alocação dinâmica.
Avaliação da Qualidade da Anotação
Framework métrico contínuo que mede a precisão, a coerência e o valor informacional das anotações fornecidas por cada contribuidor. Essas métricas alimentam os modelos de expertise e guiam as decisões de alocação futura.
Roteamento Inteligente de Amostras
Sistema de decisão automatizado que encaminha cada amostra não rotulada para o anotador ou grupo de anotadores ideal, baseado em preditores de desempenho e restrições de recursos. Este roteamento maximiza a eficiência do processo de anotação colaborativa.
Aprendizagem Semi-supervisionada Multi-especialista
Abordagem híbrida que combina aprendizagem ativa multi-anotadores com técnicas semi-supervisionadas para explorar grandes quantidades de dados não rotulados. Ela utiliza anotações de alta qualidade como sementes para propagar os rótulos através do conjunto de dados.
Modelo de Confiabilidade do Anotador
Representação matemática da probabilidade de um anotador produzir uma anotação correta, frequentemente modelada como uma distribuição condicional dependente do tipo de amostra. Este modelo evolui dinamicamente com o acúmulo de anotações históricas.
Estratégia de Exploração-Exploração
Quadro decisório que equilibra a atribuição de amostras familiares a anotadores especialistas (exploração) com a descoberta de capacidades em novos tipos de dados (exploração). Esta estratégia evita a superespecialização enquanto maximiza a qualidade a curto prazo.
Fusão de Opiniões de Especialistas
Método sofisticado de agregação que combina os julgamentos de vários anotadores, levando em consideração sua correlação, sua expertise específica do domínio e seu histórico de desempenho. Frequentemente utiliza técnicas bayesianas ou grafos de crença para uma fusão ótima.