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。