更好的机器学习需要更好的数据标注

[[441112]]

看到这一需求，许多专业标注公司诞生了。例如Datasaur，这是一个自动化数据标注的软件。当然，数据标注首先需要以人工的方式开始，特别是在人工智能项目的开始阶段，到了项目的中期或末期，机器学习本身可以用于自动标记数据，也可以生成合成数据。

 

Datasaur软件的主要目标是简化人工数据标注的操作，并引导他们以最低的成本创建更高质量的训练数据。由于它的目标是那些需要整天标记数据的高级用户，因此创建了功能键来加速标注过程，以及适合专用数据标注系统的其他功能。

不过在这个过程中，Datasaur也有了其他几个目标，包括消除偏见。还提供了项目管理能力，以清楚地阐明标签指南，以确保随着时间的推移，标签标准继续得到保持。

数据标注的主观性是使这门学科充满陷阱的原因之一。

例如，想出一种方法，自动给文章贴上适合或不适合家庭的标签。通常可以参考电影分级制度，类似PG、PG13、R级。自然认为这将是一个非常简单的任务。然后事实证明，科技公司认为合适的做法与电影行业认为合适的做法有很大不同。还有很多灰色地带的实例，对于什么是合适的，什么是不合适的，不同的社会观点将会非常不同。

 

 

解决这类问题没有捷径可走。但是，有一些方法可以帮助公司将这些业务流程自动化，包括提供一个用于回答这些数据标注问题的决策谱系。这就是创建Datasaur软件的原因。

你不会让你的团队为你的设计师创建一个Photoshop。只要买现成的Photoshop就行了。当你只需要做数据标注，我们也可以找一家这样专业的公司。

 

 

起初，许多客户认为计算机视觉是最热门的AI技术。但最近，NLP用例非常热门，特别是那些依赖于大型模型的用例，如BERT和GPT-3。因此Datasaur产品开始吸引注意力，每周被用于给100万条数据贴标签，包含Netflix、Zoom和Heroku等知名公司都在使用。

Datasaur也被专业数据标注机构使用，例如iMerit。在世界各地拥有5000名员工，iMerit已成长为数据标签行业的强大力量。该公司拥有100个客户，其中包括许多家喻户晓的品牌，这些客户利用其数据标注网络，让深度学习模型与高质量的标注数据保持一致。

数据标签的主观性使得它不是单纯的一项交易。

通常情况下，需要坐下来，弄清楚数据在哪里，需要什么。它不仅仅是工具、人员或过程。这是三者的结合。

上下文对于数据标注过程绝对是至关重要的。这大概是因为机器对上下文的理解能力很差。也可能是因为AI用例在不断变化。不管是什么原因，这种需求是显而易见的。

分享一个卡车上施工工人的例子，可以证明上下文对于开发高质量的培训数据是多么重要。想象一下，有一个工人坐在卡车上，每到一个维修路段，就要下车干活，然后又回到卡车上。所以数据标签的问题是：工人是行人吗?他是卡车的一部分吗?还是说他是第三种人?

 

如果你在计算车辆，你就不会在意工人上下车。你只会对工程车感兴趣;但如果你试图操纵其他东西(比如自动驾驶或交通流量控制)，避免撞到垃圾工，垃圾工的动作将会引起你极大的兴趣;如果你在寻找可疑的行为，你会想把垃圾工排除在一系列类似的行为之外。

但很明显，工人有不同的存在状态，取决于人工智能应用的视角。对于数据标注来说，证明一个事实：在不同的时间，一条数据可以有不同的标注。有的时候，没有单一的答案。

数据标注过程的细致性对于提高数据质量至关重要，这直接影响机器学习模型的预测推理质量。数据可以让预测准确率达到60%到70%，也可以让预测准确率达到95%。

根据用例的不同，准确性是至关重要的。假如正在构建一个模型从视频中来识别偷东西的行为，一个错误的否定(没有发现盗窃行为)和一个错误的肯定(指控无辜的顾客)之间后果有很大的区别。