大模型標注員，本科率100%
實地探訪大模型數(shù)據(jù)標注基地
西風 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
首個大模型數(shù)據(jù)標注基地，來了！
百度與?？谑姓献鞴步ò俣戎悄茉疲ê？冢┤斯ぶ悄芑A數(shù)據(jù)產(chǎn)業(yè)基地，數(shù)百名標注員100%本科及以上。
不同于以往比較常見的“打標簽式”的文本數(shù)據(jù)標注形式，現(xiàn)在數(shù)據(jù)標注工作可以說是大變樣——
要對大模型的回答進行排序、打分、評估、多輪對話。
形象地來說，以前是為了告訴模型“這個是什么”，而現(xiàn)在是為了告訴模型“這個對不對”。
為了更直觀地感受數(shù)據(jù)標注工作，我們來到了百度智能云（?？冢┤斯ぶ悄芑A數(shù)據(jù)產(chǎn)業(yè)基地，親身上手體驗了一把。
大模型標注有什么不同？
圍繞著大模型的訓練模式，這也就決定了數(shù)據(jù)標注工作將與傳統(tǒng)模型標注有所不同。
具體來看，主要包括標注方式、標注內(nèi)容以及標注規(guī)則要求和人員。
傳統(tǒng)數(shù)據(jù)標注工作，以文本為例，就有語義識別、情緒識別、實體識別、轉(zhuǎn)寫等。
比如，從“我在人民廣場吃著炸雞”這句話中標出人名、地名；“我在人民廣場快樂地吃著炸雞”這句話情緒是積極的還是消極的。
可以看到的是，標注要求客觀、標準可以定量化，標注工作本身難度并不大。
但現(xiàn)在要想大模型迭代、應用落地，離不開監(jiān)督微調(diào)和基于人類反饋的強化學習，這其中就決定了標注數(shù)據(jù)的高質(zhì)量和專業(yè)化，操作流程上也比以往更為復雜。
也就是上面提到的要對模型回復排序、打分、評估，通過這種數(shù)據(jù)標記讓模型的回答更符合人的認知邏輯和習慣。
在標注人員上面，百度?？跀?shù)據(jù)標注基地對新員工入職安排了兩個月的專業(yè)化培訓。新員工只有考核合格后才能正式上崗，在這期間需要做大量的測試題訓練。
在百度看來，數(shù)據(jù)標注師需要具有較高的理解力、邏輯思維、總結(jié)能力，甚至需要具備某一場景的行業(yè)知識。
對于特別專業(yè)的問題，百度則是融入了智能化工具，人機協(xié)同標注。
比如說有一些題可能是偏計算機的。普通人來回答是很費勁的，需要匹配給計算機專業(yè)的人來做答。所以百度這時就會用到內(nèi)容自動識別，包括把內(nèi)容自動歸類、自動分發(fā)給更專業(yè)的標注師來做答，這樣效率就高了，準確率、質(zhì)量方面也會提高。
目前海口基地仍處于建設的初期階段，也在孵化數(shù)據(jù)標注企業(yè)，正式上崗的數(shù)據(jù)標注師已有數(shù)百人。
“人工標注不會被機器取代”
從百度智能云的案例不難看出，人工標注目前不會被機器標注取代，這是因為機器標注有很多局限。百度智能云更希望在標注過程中用到一些智能的手段輔助人工做標注。
比如大模型回答問題可能會有一兩千字，特別長。標注員要答（標注）這個題，讀完所有內(nèi)容就要花很長時間，成本可能很高。但是標題、問題里面可能會有些關鍵詞，這時百度通過算法，在答案中把跟問題關鍵詞相關的語句，比如說標亮一下，換一個顏色等，用來幫助標注員掌握這幾句話提到的標題里的字，你不要錯過了，要好好看。
未來，德勤預計5年內(nèi)，AI基礎數(shù)據(jù)服務總市場規(guī)模將突破150億元。
好了，你認為人工標注，會不會被機器取代呢？
以及最近量子位智庫《中國AIGC數(shù)據(jù)標注全景報告》案例正在征集中，盡情關注后續(xù)進展！有關AIGC數(shù)據(jù)標注的發(fā)展趨勢，有什么想法歡迎分享~
- 馬斯克一覺醒來，Space X在京開賣了2025-08-21
- 離譜！現(xiàn)在的Agent都卷成100個成團了？3分鐘并行干完5個復雜任務，還能隨時改需求2025-08-18
- 國家級AI創(chuàng)新應用賽事殺瘋了！超200萬元獎金池+全場景賽道，沖線團隊速來2025-08-15
- OpenAI奪金IOI，但輸給3位中國高中生2025-08-12
相關閱讀
愛分析AI與大模型高峰論壇即將舉辦，1月9日與眾多大咖暢聊科技未來
愛分析將于2024年1月9日在北京以“智能涌現(xiàn) 價值煥新”為主題舉辦2024愛分析·AI與大模型高峰論壇。
