人工+自動化，數據標註最嚴峻的時刻要到了_風聞

大模型搬上台面之後，數據標註領域也開始變得熱鬧。

這種熱鬧，更像是第三方服務公司單方面的“狂歡”。因為2017年的人工標註師風口已經過去了，例如做文本標註的人員，現在越來越少，部分標註團隊圖像標註的流動率高達30%也已經是常態，有時候就連語音、視頻標註都是常年對半開。

因為在當下的數據服務市場中，數據方少，數據標註的需求小，供大於求的情況嚴重。

直白一點來説就是，新入行的公司是很難找到可做項目的，哪怕是有小項目可接，利潤空間也不會太高，這也就導致在工資低的同時項目趕，於是可能導致短時間內工作量又非常的高。

最誇張的是什麼？因為門檻足夠低以及數據標註與AI之間的聯繫，想要進入數據標註市場的人絡繹不絕。

但在微調前的數據標註，其實就是一個數據流水線，枯燥，重複，機械。

網友也曾將數據標註比做舊社會拉黃包車的苦力，甚至可能還會和外賣騎士、快遞小哥差着好幾個段位，收入更是難望其項背。

於是，網上各大平台只要提起數據標註，一定是批評貶低佔8成，誇這個行業的人只佔2成。而大多誇讚的是因為握住了風口，但如果你在評論區建議別人去幹標註，那你一定會被罵的狗血淋頭。

數據來源：職友集

不過更有趣的是，隨着自動化標註成為可能，不光個人標註師罵，就連標註師團隊也在罵。

原因在於，互聯網大廠不僅將數據標註納入自己的業務範圍，為了將性價比作為噱頭，也在不斷地比拼成本。

一、數據標註現狀：低需求，高供應

某種角度上來説，數據標註行業實際上就是一個資源行業，類似於包工程，誰家能包下合適的工程就賺錢了。

但前提是得能結了款，另外賺多賺少全看人力成本了。

所以先是對於大多數，很難接到大單數據標註訂單的第三方數據服務公司而言，如果再把數據標註任務轉手交到數據標註師的手中，那麼到手薪資低已經成為普遍的現象。

往深一點來説，市場環境差的很大部分原因，其實是因為第三方數據服務公司的“免費外包行為”。

利潤層層遞減，導致底層人員賺不到錢，瘋狂的在互聯網上吐槽這個行業。

還有更慘的，運氣不好的時候還會遇到數據標註公司白嫖數據跑路的。在你沒有太多標註經驗的時候，承諾不需要你交任何的費用，就能獲得數據標註任務。

基於沒有成本負擔，也就放鬆了警惕，哪怕是第一次數據標註不合格，你也會因為付出了第一次的努力，進而二進二出，甚至三進三出。

結果發現，不是用甲方不滿意為藉口拒絕給你打錢，就是直接消失。

但無論是以上何種結果，歸根到底都是因為大量數據標準員，沒有積累良好的數據標註渠道，進而被不靠譜的數據標註公司所欺騙。

如果換做是自己帶團隊做數據標註，遇到數據標註公司跑路的情況，結果只會更慘不忍睹。

不過對比實體行業的投資以及競爭力度，數據標註遠遠優於實體行業，利潤的確是低，但仍然是有利潤可言的。

據統計，2021我國人工智能數據標註市場中，計算機視覺類、智能語音類和NLP類需求佔比分別為45.3%、40.5%和14.2%。

但如果想要提高數據標註任務的穩定性，那必然需要尋求更好的出路。例如免費外包這條路跑不通，那麼就採取收費的形式。

另一方面，提高對標註師的學歷要求。不過，人才的進入也取決於企業是否存在利潤空間。

歸根到底，個人人工標註師或是人工標註團隊，想要在人工標註數據服務領域獲取利潤，其實是很難的。

因為從長遠的維度來看，只要智能化未達標，那麼數據標註就一定是一個長期的過程。在算法逐漸複雜化以及人工標註成本之下，自動化標註自然會成為行業追求。

更何況，是在算力環節廠商以及大模型廠商同樣想要瓜分的領域。

二、人工數據標註，被市場踢出局？

站在各大廠商的角度，有了技術紅利之後進入數據標註領域，他們還能釋放一部分成本優勢給客户，降低單位數據標註任務的價格。

總的來説，行業從勞動密集型向技術密集型轉變是一個必然的過程。

一方面，不同於傳統深度學習算法，大模型場景下數據處理流程中，在數據需求量最大的預訓練環節，使用的多是無標註或弱監督標註數據。

更多的人工標註需求出現在預訓練環節之後的微調（SFT）以及基於人類反饋的強化學習（RLHF）階段。

微調和對齊時，人工標註的質量會極大影響模型在生成內容時的智能水平，這對人工標註的數據質量提出了更高的要求。

簡單來説就是，在微調階段的標註師，是需要體系內的業務專家們去標註金融相關的數據。

比如早期單純只標註“語音轉寫文本”的相對簡單的作業要求，現在已經增加了很多其他維度，比如對於聲音邊界的精細度的要求，以前要求的可能是粗顆粒度，但現在動輒要求精確到毫秒級。

比如出於對安全考量，車企對數據標註的準確度要求通常在99%以上，這實際上也大幅提高了對數據服務商的要求門檻。

再比如對於在語音中出現的各類不同的其他聲音的標註，以前可能只需要標註出來某些噪音，現在的要求則可能是還要對噪音進行更多維度的分類。

更進一步來説，隨着語音數據量的日漸增多且複雜，對人工標註也存在高強度。

另外，在醫療領域從事傳統和常規的工作，固然也是很多人夢寐以求的，但同領域的數據標註，也同樣潛力巨大。

據媒體報道，截至今年3月，百度山西人工智能數據產業基地中，就擁有超過3000位標註師，主要涉及自動駕駛、人臉識別等內容標註，其中86%的員工為90後；字節跳動在北京、天津、濟南、武漢各地，也招募了4萬名數據標註師；騰訊更是直接把平台放到了線上，讓標註師變成了一種“全民兼職”，稱為“眾包”。

可以預見的是，在未來更多更廣闊的垂直領域裏，有專業經驗、並且熟悉數據標註工作的人羣，都將是亟需的人才。

不過，也僅限於真正擁有專業經驗的技術人才，以及自動標註之後的審核崗位，但需求有限。

三、自動化標註進入淘汰賽？

在大廠入局之下，不只是數據標註團隊，那些單純依靠人工標註的企業也很難存活。原因在於，今年數據標註市場或許會加速向技術型玩家集中，市場正開啓淘汰賽。

最簡單的理解是，由於看中了大模型訓練的算力市場，不少模型提供商提供了AI訓練全家桶，數據標註被納入了大廠的服務範圍，這可能正加劇行業的競爭。

不過從另一方面考慮，即便大廠內部建的數據標註平台，因為很難應對市場多樣化的數據標註任務需求，而存在侷限。

但最初被劃為算力環節的企業，也一樣會對自動化標註虎視眈眈。例如，原本處於數據服務下游的算法研發平台及科技企業，自身也在嘗試把大模型技術用到了自身的數據標註場景。

今年4月，海康威視在一季度的財報電話會上向投資者答疑時也提到，他們也在將自研AI技術用到自動化標註場景。

原因在於，此前被行業裏劃為應用開發或算法研發環節的海康、商湯等企業，現在他們也需要一些智能化工具和應用來提升數據標註效率。

而商湯科技就是最好的例子。目前，商湯科技在自動駕駛場景基於視覺大模型技術，降低了人工數據標註的數量，大幅提升了數據標註效率。

隨着機器學習模型的發展，自動化數據標註的準確性提高，可以使用模型來輔助人工標註，比如模型預處理數據再發送給標註師，或人類作為審核員，審核並糾正模型給出的標註結果等等。