Aumento de datos

¿Qué es el aumento de datos?

Lo que siempre falta al entrenar un modelo son datos, y etiquetar es lento y caro. El aumento de datos tiene una idea simple: ¿cada muestra que ya tienes puede volverse muchas? Voltea la imagen, reformula la frase, añade ruido al audio, y obtienes una tanda de muestras nuevas que son «iguales por dentro, distintas por fuera». El modelo ve más y aprende con más solidez.

¿Por qué ayuda?

Evita la memorización
Con pocos datos, el modelo se limita a memorizar los ejemplos y se viene abajo con cualquier novedad. Las muestras aumentadas y variadas lo obligan a aprender patrones que de verdad generalizan.
Hace al modelo más duro
Tras ver distorsiones, ruido y oclusiones, el modelo resiste mucho mejor la interferencia del mundo real.
Más por menos
No pagas por etiquetar datos nuevos. Un poco de cómputo multiplica por varias veces el tamaño de tu conjunto de entrenamiento.

Técnicas habituales

Imágenes
Voltear, rotar, recortar, recolorear, añadir ruido, desenfocar — una foto de gato se convierte en docenas.
Texto
Cambio de sinónimos, retrotraducción (traducir y volver), inserción o borrado aleatorio, o pedirle a un modelo que reescriba.
Audio
Cambios de velocidad, ruido de fondo, variaciones de volumen — simulando distintas condiciones de grabación.

¿Cuáles son las trampas?

Más no siempre es mejor. Si te pasas, la etiqueta deja de ser cierta: rota un «6» 180 grados y obtienes un «9». Así que la intensidad del aumento debe encajar con la tarea, y la etiqueta de la nueva muestra tiene que seguir siendo correcta.

En resumen: el aumento de datos convierte una muestra en varias, dando al modelo más experiencia y más resistencia al ruido, y todo por poco.