Crear una tarjeta de conjunto de datos

Cada conjunto de datos debe tener una tarjeta de conjunto de datos para promover un uso responsable e informar a los usuarios sobre posibles sesgos dentro del conjunto de datos. Esta idea se inspiró en las Model Cards propuestas por Mitchell, 2018. Las tarjetas de conjunto de datos ayudan a los usuarios a comprender el contenido de un conjunto de datos, el contexto para su uso, cómo se creó y cualquier otra consideración de la que el usuario debe estar al tanto.

Crear una tarjeta de conjunto de datos es fácil y se puede hacer en solo unos pocos pasos:

1. Ve al repositorio de tu conjunto de datos en el Hub y haz clic en Create Dataset Card para crear un nuevo archivo README.md en tu repositorio.

2. Utilice la Metadata UI para seleccionar las etiquetas que describen su conjunto de datos. Puede agregar una licencia, language, pretty_name, task_categories, size_categories y cualquier otra etiqueta que considere relevante. Estas etiquetas ayudan a los usuarios a descubrir y encontrar su conjunto de datos en el Hub.

Para un conjunto completo, aunque no obligatorio, de opciones de etiquetas, también puedes consultar las especificaciones de la tarjeta de dataset. Ahí encontrarás algunas opciones de etiquetas adicionales, como multilinguality y language_creators, que son útiles pero no estrictamente necesarias.

3. Haz clic en el enlace Import dataset card template para crear automáticamente una plantilla con todos los campos relevantes que debes completar. Rellena las secciones de la plantilla lo mejor que puedas. Consulta la Dataset Card Creation Guide para obtener información más detallada sobre qué incluir en cada sección de la tarjeta. Para los campos que no puedas completar, puedes escribir [More Information Needed].

4. Cuando termines, confirma los cambios en el archivo README.md y verás la tarjeta del conjunto de datos completada en tu repositorio.

YAML también le permite personalizar la forma en que se carga su conjunto de datos definiendo divisiones y/o configuraciones sin necesidad de escribir código.

Puede consultar las tarjetas de los conjuntos de datos SNLI, CNN/DailyMail y Allociné como ejemplos para comenzar.

Update on GitHub