Etiket (label) nedir?

Bu derste yapay zekânın temel yapı taşlarından biri olan etiketi (label) sıfırdan anlatıyoruz: etiketin özellikten farkı, hangi öğrenme türünde kullanıldığı, etiketleme işinin nasıl yürüdüğü ve bu kavramın çevresinde dolaşan klasik yanılgılar. Verinin bütün resmini görmek istersen Yapay zekâda veri dersine, ünitedeki derslerin tamamına ise Yapay Zekâ dersleri sayfamızdan ulaşabilirsin.

Etiket (label) Nedir?

Yapay zekâda etiket (label), bir veri örneğine sonradan eklenen doğru cevabı gösteren işarettir. Fotoğrafın kendisi veridir; birinin o fotoğrafın yanına yazdığı “kedi” notu ise etikettir. Model, bu cevaba bakarak “kedilere benzeyen şeylerin ortak yönleri neler?” sorusunun yanıtını kendisi keşfeder.

Okul benzetmesi işe yarar: özellikler soru, etiket ise cevap anahtarı gibidir. Öğrenci (model) önce yüzlerce soru-cevap çiftini birlikte görür; bir süre sonra artık cevaba bakmadan, yalnızca soruya bakarak doğru yanıtı verebilir hâle gelir. Bu yüzden etiketli veriye “modelin öğretmeni” de denir; etiket olmasaydı ne modelin cevabını denetleyebilirdik ne de öğrenip öğrenmediğini ölçebilirdik.

Somut bir örnek kurarsak, e-postaları spam filtresine sokan bir sistem şöyle çalışır:

• Veri örneği: gelen kutuna düşen bir e-posta
• Özellikler: gönderici adresi, konu satırı, içerikteki bağlantı sayısı (ayrıntı için Özellik (feature) nedir? dersine bakabilirsin)
• Etiket: bu e-postanın doğru cevabı olan “spam” ya da “gerekli”

Model eğitilirken binlerce e-posta, özellikleriyle ve etiketleriyle birlikte gösterilir; model de özelliklerden etikete ulaşan yolu kendisi çıkarır. Bu sürecin bütününe Model eğitimi nedir? dersinde değindik.

Etiket ile Özellik Arasındaki Fark

En sık karıştırılan ikili budur: özellik modelin girdisi, etiket ise bulunmak istenen çıktıdır. Bir evin satış fiyatını tahmin edecek bir model örneğinde ikisini yan yana koyalım:

• Özellikler: metrekare, oda sayısı, binanın yaşı, semt
• Etiket: o evin gerçekleşen satış fiyatı

Ayırt etmek için pratik bir soru şudur: “Modelin bana söylemesi istenen şey mi, yoksa bakıp karar verdiği bilgiler mi?” Söylenmesi istenen şey etikettir; bakıp kıyasladığı bilgiler özelliktir. Model bu ikisini kendi iç ayarları olan parametreler üzerinden birbirine bağlar.

Etiketli Veri Nerede, Etiketsiz Veri Nerede Kullanılır?

Etiketli veri, denetimli öğrenme yöntemlerinin yakıtıdır; bu yöntemler makine öğrenmesi dünyasının en yaygın ailesidir. Günlük hayattan birkaç örnek:

• Röntgen görüntülerinin “tümör var / yok” biçiminde etiketlenmesi
• Sürücüsüz araç yazılımlarının öğrendiği trafik levhası etiketleri
• Sesli asistanlarda kaydın yanına eklenen yazıya dökülmüş hâli (transkript de bir tür etikettir)
• Film öneri sistemlerinde kullanıcıların verdiği puanlar

Etiket yoksa iş bitmez değil: denetimsiz öğrenme yöntemleri etiketsiz veriden kendi gruplarını, örüntülerini keşfeder. Bir e-ticaret sitesinin müşterileri kimse etiketlemeden benzer alışkanlıklara göre kümelendirmesi bunun klasik örneğidir.

2024-2025 döneminde konuşulan büyük dil modellerinde de mantık benzerdir: model önce devasa miktarda etiketsiz metinle dilin genel yapısını öğrenir, ardından insan tercihleriyle (“bu yanıt diğerinden daha iyi” biçimindeki etiketlerle) ince ayar alır. Yani en güncel sistemlerde bile etiket, insan bilgisini modele taşıyan köprü işlevi görüyor.

Etiket Türleri

Etiket denince akla yalnızca “kedi” gibi kategoriler gelmez; etiketin türü değiştikçe modelin vereceği cevabın şekli de değişir:

• İkili etiket: spam / gerekli gibi iki seçenekli cevaplar
• Çok sınıflı etiket: kedi / köpek / kuş gibi birden çok kategoriden biri
• Çoklu etiket: aynı fotoğrafta hem “kedi” hem “kanepe” bulunabilmesi
• Sayısal etiket: evin satış fiyatı, yarının sıcaklığı gibi sayısal cevaplar

Etiketin türü, modelin vereceği tahminin türünü belirler: etiketler kategoriyse model sınıflandırma yapar, sayıysa değer tahmini yapar.

Etiketleme (Data Labeling) Nasıl Yapılır?

Etiket kendiliğinden oluşmaz; biri onu üretmek zorundadır. Küçük projelerde geliştiricinin kendisi etiketler, büyük projelerde profesyonel etiketleme ekipleri çalışır; tıbbi görüntülerde etiketi ancak alanında uzman hekim verebilir. Günümüzde yaygınlaşan yaklaşım, bir modelin “ön etiket” önermesi ve insanların bunu onaylaması ya da düzeltmesidir. Tipik bir etiketleme akışı şöyledir:

1. Veri örneklerini topla (kavramın tamamı için Veri seti nedir? dersimize bakabilirsin).
2. Etiket kategorilerini baştan net biçimde tanımla; belirsiz durumlarda ne yapılacağına karar ver.
3. İnsanlar örnekleri etiketlesin.
4. Aynı örnekleri ikinci bir kişiye kontrol ettir; uyumsuz etiketleri gözden geçir.

Etiketleme saatler süren, dikkat ve uzmanlık isteyen bir emektir; bu yüzden son iki yılda üretken yapay zekâ ile desteklenen otomatik etiketleme ve sentetik veri üretimi ciddi biçimde yaygınlaştı. Unutulmaması gereken ilke ise şu: etiketin kalitesi, modelin ulaşabileceği üst sınırı belirler. Etiketler tutarsızsa en güçlü model de yanılgıyı öğrenir.

Sık Yapılan Hatalar ve Yanılgılar

• “Etiketler her zaman doğrudur” sanmak. Yanlış etiketlenen örnekler modeli yanlış öğrenmeye iter; etiket gürültüsü gerçek bir sorundur, aynı yorumu iki kişi farklı biçimde etiketleyebilir.
• Özellik ile etiketi karıştırmak. Girdi özellik, çıktı etikettir; ikisini yer değiştirtmek baştan yanlış kurgulanmış bir proje demektir.
• “Yapay zekâ her zaman etiketli veri ister” sanmak. Denetimsiz öğrenme ve büyük dil modellerinin ön eğitimi, etiket olmadan da iş yapan yöntemlerdir.
• “Etiket sayısı her şeydir” sanmak. Binlerce dağınık ve çelişkili etiket, daha az sayıda tutarlı ve uzman onaylı etiketten kötü sonuç verebilir.
• Dengesiz etiket dağılımı. 10.000 kedi ve 50 köpek fotoğrafıyla eğitilen model, yeni fotoğrafları çoğunlukla “kedi” diye etiketlemeyi öğrenir; sınıfların birbirine yakın sayıda olması gerekir.
• Günlük dildeki “etiket” ile karıştırmak. Sosyal medyadaki etiket (tag) yalnızca bir işaretleme aracıdır; makine öğrenmesindeki etiket ise modelin öğrenmesi gereken hedef cevaptır.