電子發(fā)燒友網(wǎng)報道（文/李彎彎）最近爆火的ChatGPT有多強大，想必大家都已經(jīng)知曉，它幾乎可以生成任何形式的文本，從莎士比亞的十四行詩，到用5歲孩子都能理解的語言描述，以及復(fù)雜數(shù)學(xué)問題，也因此月活躍用戶在短短上線兩個月就達到1億。

而強大的ChatGPT背后，離不開一項重要的工作，那就是數(shù)據(jù)標(biāo)注。據(jù)美媒報道，為了訓(xùn)練ChatGPT，OpenAI的合作伙伴Sama雇傭了肯尼亞、烏干達和印度的外包員工，對龐大的數(shù)據(jù)庫手動進行數(shù)據(jù)標(biāo)注。


什么是數(shù)據(jù)標(biāo)注

事實上，人工智能是一種可以根據(jù)人類需求做出合理行為的計算機程序，要想實現(xiàn)人工智能，就需要把人類的理解能力和判斷能力教給計算機，讓計算機擁有類似人類的識別能力。在這一過程中，需要計算機模仿人類進行經(jīng)驗學(xué)習(xí)。

而數(shù)據(jù)標(biāo)注就是把需要計算機進行機器學(xué)習(xí)的的圖片、視頻等初級數(shù)據(jù)打上標(biāo)簽，讓計算機不斷的識別這些初級數(shù)據(jù)的特征，最終可以讓計算機能夠自主的識別。

這里涉及到幾個概念：1、數(shù)據(jù)標(biāo)注，簡單來說，就是對文本、圖像、音頻、視頻等數(shù)據(jù)進行高質(zhì)量、高精度的處理打標(biāo)簽，來滿足機器訓(xùn)練學(xué)習(xí)的需求。2、標(biāo)簽，就是對需要機器學(xué)習(xí)的數(shù)據(jù)進行標(biāo)識特征、類別和屬性等，用于建立數(shù)據(jù)和機器訓(xùn)練學(xué)習(xí)的可讀數(shù)據(jù)編碼間的聯(lián)系。3、數(shù)據(jù)標(biāo)注員，就是負責(zé)對文本、圖像、音頻、視頻等數(shù)據(jù)進行高質(zhì)量、高精度的處理打標(biāo)簽的工作人員。

計算機特征數(shù)據(jù)主要分為圖像數(shù)據(jù)、語音數(shù)據(jù)、文本數(shù)據(jù)等。在自然語言處理的需求中，文本數(shù)據(jù)標(biāo)注是關(guān)鍵環(huán)節(jié)，數(shù)據(jù)標(biāo)注員需要通過對語句分詞的標(biāo)注、語義判斷的標(biāo)注、情感標(biāo)注、多音字標(biāo)注等，為人工智能機器學(xué)習(xí)提供高準(zhǔn)確率的文本語料。

數(shù)據(jù)標(biāo)注的流程，首先是從數(shù)據(jù)采集開始，由于新采集的數(shù)據(jù)是非結(jié)構(gòu)化的，有些數(shù)據(jù)不完整，還有不一致、有雜音噪聲的數(shù)據(jù)，需要通過數(shù)據(jù)清洗，對采集的數(shù)據(jù)進行篩選、去重、查缺補漏、平滑噪音等操作，將數(shù)據(jù)清理成適合標(biāo)注的格式。

接著，數(shù)據(jù)經(jīng)過清洗后，就可以進入數(shù)據(jù)標(biāo)注的核心環(huán)節(jié)。在現(xiàn)實的標(biāo)注工作中，數(shù)據(jù)管理員會將數(shù)據(jù)根據(jù)不同的需求，將待標(biāo)注的數(shù)據(jù)分為不同的數(shù)據(jù)包任務(wù)，每一個數(shù)據(jù)任務(wù)都會有不同的規(guī)范和標(biāo)注形式要求，然后將標(biāo)注任務(wù)分配給多個標(biāo)注員進行標(biāo)注工作。

最后，為了提高數(shù)據(jù)輸出的正確率，標(biāo)注員完成標(biāo)注工作后，需要質(zhì)檢師對數(shù)據(jù)進行檢驗，最終通過質(zhì)檢環(huán)節(jié)的數(shù)據(jù)才是可用于訓(xùn)練學(xué)習(xí)的數(shù)據(jù)。


龐大的數(shù)據(jù)標(biāo)注工作，和低水平的報酬

從ChatGPT來看，雖然對于ChatGPT最后的強大能力來說，數(shù)據(jù)標(biāo)注是重要的一環(huán)，然而這卻是一項工作量及其龐大，報酬卻并不高的工作。

雖然ChatGPT的前身GPT-3已經(jīng)展示出非常強大的語句串聯(lián)的能力。然而，當(dāng)時的GPT-3卻存在很多弊端，例如內(nèi)容容易出現(xiàn)暴力、性別歧視等言論。之所以會出現(xiàn)這樣的不足之處，是因為AI工具從互聯(lián)網(wǎng)抓取了數(shù)千億個單詞來訓(xùn)練。由于互聯(lián)網(wǎng)的詞匯有不少帶有偏見及負面的詞匯，因此單純憑借學(xué)習(xí)能力無法來清除這些訓(xùn)練數(shù)據(jù)。

為了獲得這些有害內(nèi)容的標(biāo)簽，OpenAI從2021年11月開始便向一家外包公司發(fā)送了數(shù)萬條文本片段。這家公司便是Sama，Sama總部位于美國舊金山，該公司雇傭了肯尼亞、烏干達和印度的外包員工。大約30多名工作人員被分成三個小組，每個小組都專注于一個主題。據(jù)該公司的三名員工表示，他們每9個小時要閱讀和標(biāo)注150~200段文字，這些段落的范圍從100個單詞到1000多個單詞不等。

薪酬方面，Sama為OpenAI雇傭的數(shù)據(jù)標(biāo)簽員工支付的時薪在1.32美元~2美元之間（約8.99元~13.62元），具體取決于資歷和表現(xiàn)。據(jù)Sama員工透露，“代理商”是三個小組中最初級的數(shù)據(jù)標(biāo)簽人員，他們的基本工資為每月2.1萬肯尼亞先令（約170美元或者約1158元）。此外，他們每月還能獲得約70美元的獎金，如果達到準(zhǔn)確性和速度等關(guān)鍵績效指標(biāo)，他們還可以獲得傭金。

按此計算，一名每天工作9小時的員工預(yù)計稅后時薪至少能拿1.32美元，如果超額完成所有目標(biāo)，則最高可達到1.44美元。質(zhì)量分析師是資歷更深的數(shù)據(jù)標(biāo)簽員工，他們的工作是檢查“代理商”的工作，如果他們達到了所有績效目標(biāo)，時薪可以拿到2美元。

OpenAI發(fā)言人曾在一份聲明中證實，Sama在肯尼亞的員工為該公司正在開發(fā)的監(jiān)測有害內(nèi)容的工具作出了貢獻，該工具最終被內(nèi)置到ChatGPT中。


小結(jié)

隨著ChatGPT的爆火，人工智能走進了更多人的視野。然而從目前的情況來看，人們印象中的人工智能仍然是很高端的事物，只有科技、互聯(lián)網(wǎng)巨頭企業(yè)及專業(yè)人士才能涉足的領(lǐng)域。然而人工智能產(chǎn)業(yè)鏈涉及面廣泛，其中就包括數(shù)據(jù)標(biāo)注?？梢钥吹剑斯ぶ悄艿拇嬖诤蛯崿F(xiàn)，不僅僅是解放人們的雙手，同時從這個層面來看，它對勞動力的需求也是龐大的。