問題 No.1123
機械学習プロジェクトにおいて、生のデータに対して正解ラベルを付与するアノテーション作業に関する記述として【不適切なもの】はどれか。
【正解の解説】
アノテーション基準書が曖昧であっても機械学習モデルが学習の過程でノイズを完全に自動修正するため精度への影響はない
機械学習には「Garbage In, Garbage Out（ゴミを入れたらゴミが出る）」という原則があります。アノテーション基準が曖昧で誤ったラベルが混入すると、モデルはその誤ったラベルパターンを学習してしまうため、モデルが自動的に修正してくれることはなく精度は著しく低下します。
スポンサーリンク
【その他の選択肢の解説】
品質を担保するために複数の作業者が同一のデータに対して作業を行い一致度を確認することが望ましい
アノテーションの揺れを防ぐため、同じデータに対して複数人の作業者が独立して正解ラベルを付与し、作業者間一致度（カッパ係数など）を算出することは、高品質な教師データ（Ground Truth）を作成するうえで実務上大変有効なプロセスです。
クラウドソーシングを利用することで大量のデータを短期間で安価にラベリングすることが可能である
自社内だけで膨大なアノテーションをこなすことが難しい場合、クラウドソーシングプラットフォームを利用して外部の作業者へタスクを分散発注することは、コストを抑えつつ短期間で大量の教師データを集める実用的な標準手法です。
画像に対するアノテーションでは対象物の周りを囲むバウンディングボックスの指定などが一般的である。
画像アノテーションにおいて、認識させたい物体（車や人物など）の位置を四角い枠（Bounding Box）で囲み、その枠に「Car」「Person」といったタグを割り当てる作業は、物体検出モデル（YOLO等）の学習データを構築する標準的な手順です。