人工智能的人工部分—数据标注（下）

如今的人工智能已是大模型的天下，但再强的智能，再大的模型，也需要人工标注的支持。上篇文章主要介绍了数据标注的分类、标注规则制定的原则，本篇文章主要从业务角度出发，介绍标注规则的细则构建、标注团队培养与管理的具体方法。

一、标注规则构建

为了便于大家理解，本模块主要参考王阳明先生“格物致知”的逻辑去展开，说明标注体系的搭建过程，就是一个“悟道”的过程，当然自己才疏学浅，如有运用不当的地方，希望大家多多包涵！

1. 单因子拆解标注——析物

上篇文章讲了标注规则的三步法：单因子标注、多维因子排列组合、综合策略评分，其中最基础也是最重要的一环就是第一步：单因子标注，就是将所有影响标注结果的因素依次列举，对每个影响因素单独标注。

例如，标注简历与职位的匹配度，即模拟HR招人的思路给推荐的简历打分，首先要将影响HR招人的因素全部列出来，例如工作地点、行业类别、薪资水平、学历要求、专业要求等。

然后分别对每个因素进行标注打分，打分时要将行业的一些通用规则考虑进去，例如，某职位要求学历是本科，这里的本科大概率是指全日制统招本科，而不是花点钱就能上，或者根本不需要学习就能获得证书的成考或自考本科。

那么问题来了，如何识别统招学历呢？什么样的学历属于全日制的呢？哪些院校是统招的呢？野鸡大学算不算统招的呢？有没有识别野鸡大学的方法？

仅学历一个因素标注细则就很多，识别逻辑也很复杂，我们要将十几项因子里的每一项，都进行多维度深度思考与分析，并给出可衡量的标注规则与指标。这一层的核心是“析物”，即深入剖析每一个因子，直到剖到每个因子的根部，程颐认为，凡一物上有一理，须穷致其理。

2. 多因子排列组合——量物

在上篇文章就讲到，多因子排列组合不是单纯的给每个因子赋予固定的权重，而是将每个因子结合具体场景，分析各因子在具体场景中的的重要程度，因为场景不同，标注细则就不同。

那么有哪些具体场景呢？

第一，标注对象不同，标注细则就不同，在招聘业务中，标注对象是职位，职位类型不同标注的关注点就不同，比如，招聘销售类岗位关注行业经验、业绩能力、客户群体等，招聘蓝领岗位只要候选人愿意做、身体健康即可，招聘财务类岗位则会要求资格证书。

第二，各影响因子的程度不同，标注细则也不同，比如要招聘一位初级文员，但是候选人年龄超过了50岁，再比如要招聘一名销售员，但是候选人五年前做过销售，现在早就不做销售了，而且也不想再做销售了，类似这种情况可能因为这一个因子，总分就可能给到0分。

所以标注细则的场景数量，是标注对象类型与影响因子的乘积，但在招聘业务场景中，标注对象类型有1000多种，影响因子有十多种，所以标注细则是一万多条吗？在实际操作中不可能列出所有场景，并给出所有的标注细则，这些场景需要标注员基于实际业务灵活运用规则。这一层的核心是“量物”，即衡量所有标注对象，并将其与影响因子融会贯通，活学活用，找到那个平衡的度。

3. 各因子融会贯通——悟物

在第二步中讲到标注细则的场景数量，是标注对象类型与影响因子的乘积，这个数量级太大了，在实际业务中需要融会贯通，但是怎么能做到融会贯通呢？有没有一些归类方法，或针对不同场景的指导思想呢？

答案是肯定的，首先，影响因子可以按照对最终结果的重要程度分为三类：重要因子，时而重要因子，弱项影响加减分的因子，其次，职位类别可以按照对专业技能的强弱分为四类：强技能类职位，较强技能职位，弱技能职位，无技能职位，最后，根据此等分类，我们得到了12种场景，此时我们可以针对这12种场景做细节的标注规则了。

分类之后是汇总，就是所谓的融会贯通，不管是规则制定者还是标注员，到这一阶段都要到达一种境界，就是忘掉之前的细节规则，从良知出发评估简历与职位的匹配度，是非常匹配，还是比较匹配，还是不太匹配，还是非常不匹配，也就是王阳明先生所谓的“致良知”。

完成最终评分后，不要忘记将不匹配的原因以标签的形式固定下来，这样便于后面的问题分析与策略优化。

二、标注团队管理

1. 新人培训与管理

无规矩不成方圆，可见规矩是形成方圆的关键，但是方圆之内要有田地苗木，才是一块好的方圆之地，标注规则就是这规矩，而标注所依赖的领域知识就是其中的田地苗木，所以新人入职首先要学习标注规则，但同时也要学习领域知识，尤其是专业性比较强的领域，如此两条腿走路，才能学好整个标注体系。

在学习的前提下，标注练习是必不可少的，首先可以做单因子标注的练习，合格之后再进行综合评分的练习，此时的练习，最好是有正确答案的，这样可以随时监督新人练习的进度和质量，也可以制定一套新人培训学习体系，里面不仅要包括要学的内容，还要列清楚练习期间的任务数量，以及每个阶段所要达成的质量指标，以此来评判新人培训期间的成绩。

2. 质量把控与管理

相信做过标注工作的同学都明白，低质量的标注数据会直接影响模型的训练效果，所以数据质量是标注工作的重中之重。保证标注质量的前提是做好任务的培训，明确标注需求、标注方法和验收标准。数据验收环节一般会采用自检、交叉检验，或者按任务进行分类检验的方式进行检验，甚至大一些的标注团队会设置专门的质检小组，对标注员的标注结果进行抽检或全检。

本文重点介绍另外一种质检方式，即提前插入正确样本，以检验标注质量的方式，此种方式可以节约一定的成本，因为不用进行双验或多验了，还能时刻检验标注员的工作态度，以及对任务是否真的理解，能否达到要求的质量标准，如果发现质量不合格，则可以立刻更换标注员或进行再次培训。

此种方式主要适用于结构化且需要长期标注的项目，要提前设置好正确样本，建任务时插入样本，至于插入的比例，可以根据具体任务需求，或不同标注人群进行设置。

需要注意的是，一组正确样本如果长期使用，可能标注员都记住哪些是样本了，所以一定要经常更换正确样本，以达到“混淆视听”的效果，此外还需要保证正确样本的质量，不能出现正确样本不正确的情况。标注质量把控是一项非常重要，也非常有难度的事情，后续可能会单独写一篇质量把控相关的文章，请大家多多关注。

至此，整个标注体系的重点工作或原则都讲完了，如有不足或错误的地方，还希望大家能不吝赐教，指正出来。开篇就说到，如今的人工智能已是大模型的天下了，那么下篇文章会重点讲讲大模型标注那些事，请大家多多关注。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！