AI产品需要了解的数据标注工作

作者 | 魏慕茹 Jasmine

编辑 | Vincent

AI 前线导语：本文作者 Jasmine，是一位 AI 产品经理。作者自言大学本科学的并不是 IT 相关专业，甚至在工作之前，没有做过任何与互联网相关的实习工作。

而现在作者仍能负责公司的重点项目，证明了进入 AI 行业并不是想象中的那么困难。直至今天，作者仍在这条道路上不断学习。

本文就是作者从自己的经验出发，告诉各位读者，如何在对 AI 行业一无所知的情况下，快速了解到它的流程运作，并找准机会转行。

更多干货内容请关注微信公众号“AI 前线”（ID：ai-front）

简单了解 AI 应用范围

首先要跟大家说明的是，AI 是一个领域，AI 的应用范围非常非常广，如下图

图 by@智能玩咖

图上每一个领域用到的算法都不一样，并且一个领域下面有很多的细分小领域。

比如语音识别，就包含了语音转文字、自然语言处理、文字转语音等等技术。而有很多想转型的产品，第一个考虑的点就是：不懂技术就做不了 AI，我是不是学完算法才能入行？

其实不是。

如果不是想立刻转型到算法相关的 AI 产品，其实在平台——工程——算法之间有一个可以渐渐过渡的过程。

大家可能都知道：

▶

对算法来说最重要的是数据, 足够量足够好的数据才能得到更优秀的算法模型。

▶

而关于数据其实可分为两种类型：被标记过的数据和未被标记过的数据。什么是标记呢？意同“贴标签”，当你看到一个西瓜，你知道它是属于水果。那么你就可以为它贴上一个水果的标签。算法同事用“有标签的数据”去训练模型，这里就有了“监督学习”。

重点就是这里：

只要是跟“监督学习”沾边的产品 / 技术，比如图像识别、人脸识别、自然语言理解等等，他们都有一个必走的流程

不断地用标注后的数据去训练模型，不断调整模型参数，得到指标数值更高的模型。

流程分解

数据标注

数据的质量直接回影响到模型的质量，因此数据标注在整个流程中绝对是非要重要的一点。一般来说数据标注部分可以有三个角色：

标注员：标注员负责标记数据。

审核员：审核员负责审核被标记数据的质量。

管理员：管理人员、发放任务、统计工资。

只有在数据被审核员审核通过后，这批数据才能够被算法同事利用。

关于数据标记的流程思考：

1. 任务分配：假设标注员每次标记的数据为一次任务，则每次任务可由管理员分批发放记录，也可将整个流程做成“抢单式”的，由后台直接分发。

2. 标记程序设计：需要考虑到如何提升效率，比如快捷键的设置、边标记及边存等等功能都有利于提高标记效率。

3. 进度跟踪：程序对标注员、审核员的工作分别进行跟踪，可利用“规定截止日期”的方式淘汰怠惰的人。

4. 质量跟踪：通过计算标注人员的标注正确率和被审核通过率，对人员标注质量进行跟踪，可利用“末位淘汰”制提高标注人员质量。

模型训练

这部分基本交由算法同事跟进，但产品可依据需求，向算法同事提出需要注意的方面；

举个栗子：

一个识别车辆的产品现在对大众车某系列的识别效果非常不理想，经过跟踪发现是因为该车系和另外一个品牌的车型十分相似。而本次数据标注主要针对大众车系的数据做了补充，也修改了大批以往的错误标注。（这两种为优化数据的基本方式）本次模型需要重点关注大众某车系的识别效果，至少将精确率提高 5%。

产品将具体的需求给到算法工程师，能避免无目的性、无针对性、无紧急程度的工作。

模型测试

测试同事（一般来说算法同事也会直接负责模型测试）将未被训练过的数据在新的模型下做测试。

如果没有后台设计，测试结果只能由人工抽样计算，抽样计算繁琐且效率较低。因此可以考虑由后台计算。

一般来说模型测试至少需要关注 两个指标：

1. 精确率：识别为正确的样本数 / 识别出来的样本数

2. 召回率：识别为正确的样本数 / 所有样本中正确的数

模型的效果需要在这两个指标之间达到一个平衡。

测试同事需要关注一领域内每个类别的指标，比如针对识别人脸的表情，里面有喜怒哀乐等等分类，每一个分类对应的指标都是不一样的。测试同事需要将测试的结果完善地反馈给算法同事，算法同事才能找准模型效果欠缺的原因。同时测试同事将本次模型的指标结果反馈给产品，由产品评估是否满足上线需求。

产品评估

评估模型是否满足上线需求是产品必须关注的，一旦上线会影响到客户的使用感。

因此在模型上线之前，产品需反复验证模型效果。为了用数据对比本模型和上一个模型的优劣，需要每次都记录好指标数据。

假设本次模型主要是为了优化领域内其中一类的指标，在关注目的的同时，产品还需同时注意其他类别的效果，以免漏洞产生。

产品工作补充

产品的工作不止是产品评估：

除了流程控制，质量评估。针对分类问题，由产品制定的边界非常重要，直接影响模型是否满足市场需求。

产品制定的分类规则：例如，目的是希望模型能够识别红色，那产品需要详细描述“红色”包含的颜色，暗红色算红色吗？紫红色算红色吗？紫红色算是红色还是紫色？这些非常细节的规则都需要产品设定。

若果分类细，那么针对一类的数据就会少。如果分类大，那么一些有歧义的数据就会被放进该分类，也会影响模型效果。

分类问题和策略问题道理是一样的，都需要产品对需求了解得非常深刻。

以上内容，都只是 AI 行业一个小领域内可梳理的工作内容。

针对刚刚入行的朋友，如果没有算法基础、没有工程基础。可以考虑在流程、平台上做过渡。在工作内容中不断总结学习，往自己想走的方向不断前进！

原文链接：

http://www.jianshu.com/p/97e5c8bf9459

---