Waarom is dit belangrijk?
Dankzij het labelen van data kunnen systemen afwijkingen op medische scans signaleren en artsen helpen bij een eerste beoordeling. In Nederlandse zorginstellingen worden zulke systemen breed ingezet in de radiologie, voor diagnose, behandeling en prognose. Patiënten en zorgverleners krijgen zo sneller een aanwijzing, maar fouten of eenzijdige keuzes van de mensen die de beelden markeren kunnen soms tot ongelijke uitkomsten leiden.
Zo werkt het in de praktijk
Het project ImageNet koppelt foto's aan een klasse voor beeldherkenning. Mensen via Amazon Mechanical Turk controleerden of een beeld bij een klasse hoorde. Bij een deel van de foto's tekenden zij ook een kader om het object.
In aardobservatie krijgen satellietbeelden labels voor modellen die landschappen en objecten herkennen. Het Open Geospatial Consortium onderscheidt drie soorten labels. Een label beschrijft de scène, een object zoals een auto, of losse pixels.
De standaard TrainingDML-AI legt vast hoe zulke labels worden beschreven. Teams noteren wie labelde, welke procedure gold en hoe de kwaliteit is beoordeeld. De standaard bouwt op de ISO 19100-reeks, een set afspraken over geografische data.




