有人在蘋果花了數(shù)億美元收集標簽數(shù)據(jù)，但依然沒有好的結果。人們意識到AI非常強大。但為了實現(xiàn)它，必須獲得大量的訓練數(shù)據(jù)。

[[441112]]

看到這一需求，許多專業(yè)標注公司誕生了。例如Datasaur，這是一個自動化數(shù)據(jù)標注的軟件。當然，數(shù)據(jù)標注首先需要以人工的方式開始，特別是在人工智能項目的開始階段，到了項目的中期或末期，機器學習本身可以用于自動標記數(shù)據(jù)，也可以生成合成數(shù)據(jù)。

Datasaur軟件的主要目標是簡化人工數(shù)據(jù)標注的操作，并引導他們以最低的成本創(chuàng)建更高質(zhì)量的訓練數(shù)據(jù)。由于它的目標是那些需要整天標記數(shù)據(jù)的高級用戶，因此創(chuàng)建了功能鍵來加速標注過程，以及適合專用數(shù)據(jù)標注系統(tǒng)的其他功能。

不過在這個過程中，Datasaur也有了其他幾個目標，包括消除偏見。還提供了項目管理能力，以清楚地闡明標簽指南，以確保隨著時間的推移，標簽標準繼續(xù)得到保持。

數(shù)據(jù)標注的主觀性是使這門學科充滿陷阱的原因之一。

例如，想出一種方法，自動給文章貼上適合或不適合家庭的標簽。通常可以參考電影分級制度，類似PG、PG13、R級。自然認為這將是一個非常簡單的任務。然后事實證明，科技公司認為合適的做法與電影行業(yè)認為合適的做法有很大不同。還有很多灰色地帶的實例，對于什么是合適的，什么是不合適的，不同的社會觀點將會非常不同。

解決這類問題沒有捷徑可走。但是，有一些方法可以幫助公司將這些業(yè)務流程自動化，包括提供一個用于回答這些數(shù)據(jù)標注問題的決策譜系。這就是創(chuàng)建Datasaur軟件的原因。

你不會讓你的團隊為你的設計師創(chuàng)建一個Photoshop。只要買現(xiàn)成的Photoshop就行了。當你只需要做數(shù)據(jù)標注，我們也可以找一家這樣專業(yè)的公司。

起初，許多客戶認為計算機視覺是最熱門的AI技術。但最近，NLP用例非常熱門，特別是那些依賴于大型模型的用例，如BERT和GPT-3。因此Datasaur產(chǎn)品開始吸引注意力，每周被用于給100萬條數(shù)據(jù)貼標簽，包含Netflix、Zoom和Heroku等知名公司都在使用。

Datasaur也被專業(yè)數(shù)據(jù)標注機構使用，例如iMerit。在世界各地擁有5000名員工，iMerit已成長為數(shù)據(jù)標簽行業(yè)的強大力量。該公司擁有100個客戶，其中包括許多家喻戶曉的品牌，這些客戶利用其數(shù)據(jù)標注網(wǎng)絡，讓深度學習模型與高質(zhì)量的標注數(shù)據(jù)保持一致。

數(shù)據(jù)標簽的主觀性使得它不是單純的一項交易。

通常情況下，需要坐下來，弄清楚數(shù)據(jù)在哪里，需要什么。它不僅僅是工具、人員或過程。這是三者的結合。

上下文對于數(shù)據(jù)標注過程絕對是至關重要的。這大概是因為機器對上下文的理解能力很差。也可能是因為AI用例在不斷變化。不管是什么原因，這種需求是顯而易見的。

分享一個卡車上施工工人的例子，可以證明上下文對于開發(fā)高質(zhì)量的培訓數(shù)據(jù)是多么重要。想象一下，有一個工人坐在卡車上，每到一個維修路段，就要下車干活，然后又回到卡車上。所以數(shù)據(jù)標簽的問題是：工人是行人嗎?他是卡車的一部分嗎?還是說他是第三種人?

如果你在計算車輛，你就不會在意工人上下車。你只會對工程車感興趣;但如果你試圖操縱其他東西(比如自動駕駛或交通流量控制)，避免撞到垃圾工，垃圾工的動作將會引起你極大的興趣;如果你在尋找可疑的行為，你會想把垃圾工排除在一系列類似的行為之外。

但很明顯，工人有不同的存在狀態(tài)，取決于人工智能應用的視角。對于數(shù)據(jù)標注來說，證明一個事實：在不同的時間，一條數(shù)據(jù)可以有不同的標注。有的時候，沒有單一的答案。

數(shù)據(jù)標注過程的細致性對于提高數(shù)據(jù)質(zhì)量至關重要，這直接影響機器學習模型的預測推理質(zhì)量。數(shù)據(jù)可以讓預測準確率達到60%到70%，也可以讓預測準確率達到95%。

根據(jù)用例的不同，準確性是至關重要的。假如正在構建一個模型從視頻中來識別偷東西的行為，一個錯誤的否定(沒有發(fā)現(xiàn)盜竊行為)和一個錯誤的肯定(指控無辜的顧客)之間后果有很大的區(qū)別。