Faites le point sur plus de 20 sources de données puissantes et gratuites que tout le monde peut utiliser pour développer l'IA

Quand on parle aujourd’hui d’intelligence artificielle dans les entreprises et dans la société, nous faisons en réalité référence à l’apprentissage automatique. L'apprentissage automatique est une application qui utilise un algorithme (un ensemble d'instructions) pour devenir de mieux en mieux dans l'exécution d'une tâche spécifique à mesure qu'elle est exposée à de plus en plus de données pertinentes pour cette tâche.

Ces tâches peuvent aller de la réponse à des questions à la création de texte ou d'images (comme peuvent le faire des applications comme ChatGPT ou Dall-E) à la reconnaissance d'images (vision par ordinateur) ou à la navigation dans une voiture autonome d'un point A à un point B.

Les entreprises qui souhaitent former leurs propres algorithmes d'apprentissage automatique pour automatiser les tâches quotidiennes ont besoin de sources de données pour prendre en charge ces tâches.

Quels types de données existe-t-il ?

Les données d'entreprise sont généralement divisées en deux catégories : les données internes et les données externes.

• Les données internes sont les données collectées par l'organisation de l'entreprise elle-même à partir du processus opérationnel, qui comprennent généralement des données financières, des données sur les commentaires des clients, des données sur les ressources humaines, des données opérationnelles et d'autres données provenant d'autres sources. Les données collectées par une organisation dans le cadre de la surveillance de ses propres opérations sont appelées données propriétaires et sont précieuses car elles fournissent des informations sur une entreprise spécifique.
• Les données externes sont des données provenant de sources externes à l'organisation, généralement collectées à partir de sources de données tierces répertoriées ci-dessous. Si les données sont librement accessibles à tous, on parle de données ouvertes.

De plus, les données peuvent également être classées en données structurées, non structurées ou semi-structurées.

• Les données structurées sont des informations qui s'intègrent parfaitement dans un tableau - par exemple, des données de ventes montrant quels produits une entreprise vend, quand, où et à quel prix sont des données structurées en interne. Alternativement, les entreprises peuvent choisir d’analyser les données historiques du marché et les indicateurs économiques pour prédire les tendances futures de leurs marchés (données externes structurées).
• Les données non structurées concernent tout le reste, comme les images, les vidéos, le texte et le contenu des réseaux sociaux, qui peuvent certes contenir des informations précieuses mais qui sont plus difficiles à analyser. Cependant, l’IA s’est révélée particulièrement utile pour extraire du sens de données non structurées. Par exemple, les algorithmes de reconnaissance d'images peuvent fournir aux entreprises des informations utiles sur le comportement des clients en analysant les images de vidéosurveillance en magasin (données internes non structurées), ainsi qu'en analysant les images liées à l'entreprise publiées sur les réseaux sociaux (données externes non structurées) pour trouver des informations précieuses.

Heureusement, les données sont partout. Les gouvernements, les instituts de recherche, les entreprises privées et les ONG fournissent tous des données gratuitement à des fins de recherche et même à des fins commerciales. Voici donc quelques-unes des meilleures sources de données en ligne gratuites disponibles en 2023.

Moteur de recherche et référentiel de données

• Recherche d'ensembles de données Google – Il s'agit essentiellement d'un moteur de recherche pour les ensembles de données catalogués par Google ; utilisez ce moteur de recherche pour trouver des données sur presque tout ce dont vous pourriez avoir besoin.
• AWS Open Data Search - Un autre moteur de recherche d'ensembles de données fourni par AWS d'Amazon.
• Microsoft Research Open Data - Un ensemble de données gratuites et ouvertes collectées par Microsoft avec un accent principal sur la science.
• UCI Machine Learning Repository - Un référentiel de plus de 600 ensembles de données ouverts organisés et maintenus par l'Université de Californie à Irvine, qui peuvent être utilisés pour entraîner des algorithmes d'apprentissage automatique.
• Ensembles de données Kaggle – La plateforme de science des données en ligne Kaggle propose également un catalogue organisé d'ensembles de données couvrant tout, des classements universitaires aux tendances de recherche Google, en passant par les ventes au détail, les critiques de films en ligne et les statistiques de la criminalité.
• Reddit R/Datasets - D'énormes ensembles de données soumis par les utilisateurs du site communautaire en ligne Reddit, couvrant des centaines de sujets.

Ensembles de données du gouvernement et des organisations intergouvernementales

• Data.Gov - un portail de données ouvertes fourni par le gouvernement américain qui héberge près d'un quart du million d'ensembles de données publiés par les agences gouvernementales.
• Data.Census.Gov – Si vous recherchez spécifiquement des données démographiques américaines, c'est un excellent point de départ !
• Data.EU - le portail de données ouvertes de l'Union européenne, contenant des données des organisations de l'UE et des données des gouvernements des États membres.
• Data.gov.uk – un ensemble de données ouvert publié par les agences gouvernementales britanniques.
• Données de l'Organisation mondiale de la santé - Ensembles de données liés à la santé et au bien-être mondiaux.
• Données ouvertes de la Banque mondiale - Ensembles de données liés au développement économique, aux marchés financiers internationaux, aux indicateurs sociaux et aux questions environnementales.

Données d'image

• Google Open Images - Des millions d'images classées et étiquetées de diverses manières, utilisées pour entraîner de nombreux types différents d'algorithmes de vision par ordinateur.
• Ensemble de données ouvert ImageNet - Un autre ensemble de données composé d'images étiquetées qui peut être utilisé gratuitement dans des applications d'apprentissage automatique non commerciales.
• Ensemble de données COCO - L'ensemble de données Common Objects in Context (COCO) contient plus de 200 000 images sélectionnées pour la formation des algorithmes de détection d'objets et de sous-titrage.

Voice Data

• Mozilla Common Voice - un ensemble de données d'enregistrement ouvert qui peut être utilisé pour entraîner toute application d'IA impliquant la parole.
• Audioset - Un autre ensemble de données organisé par Google, celui-ci se concentre sur le son et contient des centaines de milliers d'échantillons de 10 secondes répartis en catégories telles que les instruments, les véhicules et les voix.
• Million Song Dataset - Échantillons et métadonnées d'un million de morceaux de musique pop contemporaine.

Text Data

• Wikidata - Téléchargement de bases de données d'articles Wikipédia dans de nombreux formats différents.
• Common Crawl - Un référentiel de données ouvert extrait du World Wide Web, surtout connu pour la formation de grands modèles de langage GPU pour ChatGPT et d'autres chatbots.

Ensembles de données autres et divers

• Avis Amazon - Une base de données d'environ 35 millions d'avis sur les produits Amazon, y compris des informations et des évaluations sur les produits.
• Waymo Open Dataset - Waymo, la filiale de conduite autonome d'Alphabet, a divulgué une grande quantité de données collectées via des véhicules autonomes, y compris des données provenant de caméras et de capteurs LiDAR.
• Ensemble de données Apolloscape - Plus de données de conduite autonome sont fournies par la plateforme open source Apollo de Baidu.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!