手工小作坊 ，大招事实敌不外工场流水线。逼去标注

假如说，世多少多当下的公司天生式AI，是大招一个正在结子妨碍的孩子，那末源源不断的逼去标注数据，便是世多少多其饲养其妨碍的食物。而数据标注，公司便是大招制作这一“食物”的历程。可是逼去标注 ，这一历程真的世多少多很卷，很累人。公司妨碍标注的大招“标注师”不光需要一再地识别出图像中的种种物体、颜色
、逼去标注形态等 ，世多少多无意分致使需要对于数据妨碍洗涤以及预处置 。随着AI技术的不断后退
，家养数据标注的规模性也日益展现 。家养数据标注不光耗时耗力
，而且品质无意难以保障。为了处置这些下场，google最近提出了一种用大模子替换人类妨碍偏好标注的措施，称为AI反映强化学习（RLAIF）。钻研服从表明，RLAIF可能在不依赖人类标注的情景下，发生与人类反映强化学习（RLHF）至关的改善下场，两者的胜率都是50%。同时，RLAIF以及RLHF都优于把守微调（SFT）的基线策略。这些服从表明 ，RLAIF不需要依赖于家养标注，是RLHF的可行替换妄想 。那末，假使这一技术未来真的推广 、普遍 ，泛滥还在靠家养“拉框”的数据标注企业 ，日后是否就真的要被逼上去世路了 ？数据标注现状假如要重大地总结当初国内标注行业的现状，那便是：劳动量大，但功能却不过高 ，属于难题不讨好的形态 。标注企业被称为AI规模的数据工场  ，个别会集在西北亚  、非洲或者是中国的河南、山西、山东等人力资源丰硕的地域。为了操作老本，标注公司的老板们会在县城里租一块园地 ，摆上电脑 ，有定单了就在临近招人兼职来做 
，没票据就开幕劳动。重大来说，这个工种有点相似马路边上的临时装修工 。在工位上，零星会随机给“标注师”一组数据
，艰深搜罗多少个下场以及多少个回覆。之后 
，“标注师”需要先标注出这个下场属于甚么规范，随后给这些回覆分说打分并排序。此前 ，人们在讨论国产大模子与GPT-4等先进大模子的差距时，总结出了国内数据品质不高的原因。但数据品质为甚么不高 ？一部份原因
，就出在数据标注的“流水线”上。当初 ，中文大模子的数据源头是两类，一类是开源的数据集；一类是经由爬虫爬来的中文互联网数据 。中文大模子展现不够好的主要原因之一便是互联网数据品质
，好比，业余人士在查找质料的时候艰深不会用baidu
。因此，在面临一些较为业余 、垂直的数据下场 ，好比医疗、金融等 ，就要与业余团队相助。可这时，下场又来了 ：对于业余团队来说，在数据方面不光酬谢周期长 ，而且后行者颇有可能会剩余 。好比，某家标注团队花了良多钱以及光阴，做了良少数据 ，他人可能花很少的钱就能直接打包买走。面临这样的“搭便车顺境”，国内大模子纷纭陷入了数据虽多，但品质却不高的诡异顺境。既然如斯，那当初外洋一些较为争先的AI企业，如OpenAI，他们是奈何样处置这一下场的？着实，在数据标注方面，OpenAI也不坚持运用重价的密集劳动来飞腾老本，好比 ，此前就曝出其曾经以2美元/小时的价钱，雇佣了大批肯尼亚劳工妨碍有毒信息的标注使命
 。但关键的差距
，就在于若何处置数据品质以及标注功能的下场 。详细来说
，OpenAI在这方面，与国内企业最大的差距，就在于若何飞腾家养标注的“主不雅性”、“不晃动性”的影响。OpenAI的方式为了飞腾这样人类标注员的“主不雅性”以及“不晃动性”  ，OpenAI简陋接管了两个主要的策略：一
 、家养反映与强化学习相散漫；这里先说说第一点，在标注方式上 ，OpenAI的家养反映，与国内最大的差距，就在于其次若是对于智能零星的行动妨碍排序或者评分，而不是对于其输入妨碍更正或者标注。智能零星的行动，是指智能零星在一个重大的情景中 ，凭证自己的目的以及策略，做出一系列的措施或者抉择规画。好比玩一个游戏 、操作一个机械人 、与一总体对于话等。智能零星的输入，则是指在一个重大的使掷中，凭证输入的数据，天生一个服从或者回覆，好比写一篇文章、画一幅画。个别来说 
，智能零星的行动比输入更难以用“精确”或者“过错”来分说 ，更需要用偏好或者知足度来评估。而这种以“偏好”或者“知足度”为尺度的评估系统，由于不需要更正或者标注详细的内容，从而削减了人类主不雅性 、知识水一律因素对于数据标注品质以及精确性的影响。尽管，国内企业在妨碍标注时，也会运用相似“排序”、“打分”的系统，但由于缺少OpenAI那样的“处分模子”作为处分函数来优化智能零星的策略，这样的“排序”以及“打分”，本性上依然是一种对于输入妨碍更正或者标注的措施。二、多样化 、大规模的数据源头渠道；国内的数据标注源头次若是第三方标注公司或者科技公司自建团队，这些团队多为本科生组成，缺少饶富的业余性以及履历，难以提供高品质以及高功能的反映。而相较之下，OpenAI的家养反映则来自多个渠道以及团队
 。OpenAI不光运用开源数据集以及互联网爬虫来取患上数据，还与多派别据公司以及机构相助，好比Scale AI、Appen 、Lionbridge AI等 
，来取患上更多样化以及高品质的数据。与国内的同行比照，这些数据公司以及机构标注的本领要“自动”以及“智能”良多 。好比
，Scale AI运用了一种称为 Snorkel的技术，它是一种基于弱把守学习的数据标注措施 ，可能从多个禁绝确的数据源中天生高品质的标签 。同时，Snorkel还可能运用纪律、模子、知识库等多种信号来为数据削减标签 ，而不需要家养直接标注每一个数据点 。这样可能大大削减家养标注的老本以及光阴 。在数据标注的老本、周期延迟的情景下 ，这些具备了相助优势的数据公司 ，再经由抉择高价钱 、高难度、高门槛的细分规模，如自动驾驶、狂语言模子、分解数据等，即可不断提升自己的中间相助力以及差距化优势。如斯一来，“后行者会剩余”的搭便车顺境 ，也被强盛的技术以及行业壁垒给消除了。尺度化VS小作坊由此可见，AI自动标注技术 ，真正扩展的只是那些还在运用纯家养的标注公司
。尽管数据标注听下来是一个“劳动密集型”财富，可是一旦深入细节，便会发现，谋求高品质的数据并非一件简略的事。之外洋数据标注的独角兽Scale AI为代表 ，Scale AI不光仅在运用非洲等地的重价人力资源
，同样还应聘了数十名博士，来应答各行业的业余数据 。数据标注品质 ，是Scale AI为OpenAI等大模子企业提供的最大价钱。而要想最大水平川保障数据品质，除了前面提到的运用AI辅助标注外 ，Scale AI的另一大立异，便是了一个不同的数据平台 。这些平台 ，搜罗了Scale Audit 、Scale Analytics 、ScaleData Quality 等 。经由这些平台，客户可能监控以及合成标注历程中的种种目的
，并对于标注数据妨碍校验以及优化 ，评估标注的精确性、不同性以及残缺性 。可能说，这样尺度化 、不夹杂的工具与流程，成为了分说标注企业中“流水线工场”以及“手工小作坊”的关键因素。在这方面 
，当初国内大部份的标注企业，都仍在运用“家养审核”的方式来审核数据标注的品质，惟独baidu等少数巨头引入了较为先进的规画以及评估工具，如EasyData智能数据效率平台。假如在关键的数据审核方面，不特意的工具来监控以及合成标注服从以及目的
，那对于数据品质的把关，就依然只能沦为靠“老徒弟”目力见的作坊式水准 。因此，越来越多的国内企业 ，如baidu 、龙猫数据等，都开始运用机械学习以及家养智能技术 ，后退数据标注的功能以及品质，实现人机相助的方式。由此可见 ，AI标注的泛起，并非国内标注企业的末日，而只是一种低效 、重价
、缺少技术含量的劳动密集型标注方式的末日。