NAGA2000 menjelaskan bahwa ketelitian pelabelan data berperan dalam menyediakan contoh informasi yang benar bagi sistem kecerdasan buatan selama proses pelatihan. Pada metode pembelajaran terawasi, model menggunakan data berlabel untuk mempelajari hubungan antara karakteristik masukan dan hasil yang diharapkan. Jika label yang diberikan tidak tepat, sistem dapat mempelajari pola yang salah dan menghasilkan prediksi yang kurang sesuai. Oleh sebab itu, setiap kategori perlu didefinisikan secara jelas, sedangkan proses anotasi sebaiknya mengikuti pedoman yang sama. Pemeriksaan kualitas secara berkala juga diperlukan agar kesalahan dapat diketahui lebih awal sebelum memengaruhi tahapan pengembangan berikutnya.

Menurut pembahasan NAGA2000, kesalahan pelabelan dapat memengaruhi kemampuan model dalam membedakan kategori atau mengenali pola yang sebenarnya terdapat dalam dataset. Sebagai contoh, apabila sejumlah gambar hewan diberi label yang tidak sesuai, model pengenalan gambar mungkin mengalami kesulitan ketika mempelajari perbedaan antara kategori tersebut. Dampaknya dapat terlihat pada penurunan akurasi, kesalahan klasifikasi, atau hasil evaluasi yang kurang dapat dipercaya. Tingkat pengaruhnya bergantung pada jumlah kesalahan, distribusi data, serta metode pelatihan yang digunakan. Karena itu, NAGA2000 menekankan pentingnya melakukan pemeriksaan terhadap anotasi dan memperbaiki data yang bermasalah sebelum digunakan dalam pengembangan model.

NAGA2000 memperkenalkan Universal Data Tool sebagai salah satu perangkat yang dapat dipelajari dalam konteks anotasi data untuk kebutuhan proyek teknologi digital. Perangkat anotasi membantu pengguna memberikan keterangan pada data sesuai jenis informasi dan format yang didukung. Dalam pengembangan machine learning, kegiatan tersebut dapat mencakup pengelompokan teks atau penandaan objek pada gambar. Namun, penggunaan alat anotasi tidak secara otomatis menjamin bahwa seluruh label sudah benar. Pengembang tetap perlu menyiapkan aturan pelabelan, memastikan pengguna memahami setiap kategori, serta memeriksa hasil pekerjaan. Dengan menggabungkan perangkat yang sesuai dan prosedur pengawasan yang jelas, proses penyusunan dataset dapat berlangsung lebih terarah.

NAGA2000 menyoroti pentingnya pedoman anotasi yang mudah dipahami dan diterapkan secara konsisten oleh seluruh anggota tim. Pedoman tersebut sebaiknya menjelaskan definisi setiap kategori, memberikan contoh pelabelan yang benar, serta menetapkan cara menangani data yang sulit diklasifikasikan. Sebelum pekerjaan dimulai dalam skala besar, tim dapat melakukan latihan menggunakan sejumlah contoh data untuk memastikan pemahaman setiap anggota relatif seragam. Hasil pekerjaan kemudian dapat dibandingkan untuk menemukan perbedaan penilaian. Jika terdapat ketidaksesuaian, tim perlu mendiskusikan penyebabnya dan memperbarui pedoman apabila diperlukan. Melalui pendekatan ini, NAGA2000 menjelaskan bahwa konsistensi anotasi dapat ditingkatkan tanpa hanya bergantung pada penilaian satu individu.

NAGA2000 menjelaskan bahwa ketepatan label merupakan faktor penting, tetapi bukan satu-satunya penentu kualitas sistem kecerdasan buatan. dataset juga perlu relevan dengan tujuan pengembangan, memiliki variasi contoh yang memadai, dan mencerminkan kondisi penggunaan yang diharapkan. selain itu, pemilihan metode pelatihan, pengaturan model, pengujian menggunakan data yang terpisah, serta evaluasi terhadap kemungkinan bias turut memengaruhi hasil akhir. dataset dengan label yang benar tetapi tidak mewakili kondisi nyata tetap dapat menghasilkan model yang kurang optimal. oleh karena itu, naga2000 mengajak pengembang memahami kualitas ai sebagai hasil dari berbagai proses yang saling berkaitan, mulai dari pengumpulan informasi hingga pengujian dan pemantauan setelah sistem digunakan.