詳細解釋
資料標註（Data Labeling）是為原始數據（圖像、文本、音頻等）添加標籤或註釋的過程，是監督式機器學習的基礎。
標註類型：
- 分類標註：圖像類別、文本情感、語音內容
- 邊界框：物體檢測中的位置和大小
- 分割標註：像素級物體輪廓（語義分割、實例分割）
- 關鍵點：人體姿態估計中的關節位置
- 命名實體：文本中的專有名詞標記
- 關係標註：實體間的關係（知識圖譜）
- 序列標註：每個token的標籤（詞性、命名實體）
標註方法：
- 人工標註：專家或眾包（Amazon Mechanical Turk (MTurk / 眾包標註)）
- 半自動：模型預標註，人工驗證
- 主動學習：模型選擇最有價值的樣本標註
- 弱監督：使用啟發式規則或現有資源自動標註
挑戰：
- 成本高：佔據AI專案80%的時間和資源
- 質量控制：標註者間的一致性（Inter-annotator Agreement）
- 主觀性：某些標籤本質上模糊（如情感）
- 規模：深度學習需要海量標註數據
工具和平台：
- Label Studio (開源資料標註)：開源多模態標註平台
- Prodigy (主動式標註)：快速迭代的主動學習工具
- SageMaker (Sagemaker Ground Truth) (Amazon Sagemaker Ground Truth)：AWS標註服務
- Scale AI (標註與數據平台)、Appen (資料標註與 AI 訓練資料)：專業標註服務商
品質保證：
- 多標註者：每個樣本由多人標註，多數決或仲裁
- 黃金標準：已知正確答案的測試集檢測標註者質量
- 培訓和指南：詳細的標註指南和示例
資料標註是監督學習的瓶頸和關鍵投入。