1樓：曼孚科技
資料標註員被稱為「人工智慧」領域最後一批被淘汰的人。
機器學習需要投喂海量的標註資料，而這離不開資料標註員的努力。
目前資料標註行業的發展趨勢是向精細化、場景化、智慧型化方向發展，標註工具在演算法的加持下已經可以完成一些基本的標註工作，比如自動識別標框、自動識別語音等等。
標註工具可以自動識別語音內容
這在很大程度上可以提公升標註效率，減輕資料標註員的壓力。但是以目前的技術發展水平而言，演算法完全替代標註員並不現實，至少在可預見的範圍內，資料標註工作的主體仍然是資料標註員，演算法起到的更多是輔助作用。
2樓：大資料小學生
演算法能否在標記資料中取代人類來訓練其他AI模型？
問題是，當您對標記資料進行監督學習時，自動標記資料的演算法通常正是您想要構建的演算法。所以如果你已經有了這樣的演算法，你就不需要做機器學習並在第一時間標記資料:)
話雖如此，您仍然可以：
使用效能不足的現有演算法來幫助您構建初代資料集。例如：檢視現有資料集並糾正錯誤資料，小於10％的錯誤或不準確的標籤比自己從頭開始完成所有工作要快得多（特別是如果您沒有進行基本分類，而是更加精細，如語義影象分割或文字識別或者諸如此類標籤對於人類構建而言更加複雜和耗時的地方）。
然後，您可以使用該資料集來訓練另乙個模型，希望比您的初始演算法更好。
可以使用分類演算法來標記資料以訓練不同型別的演算法，例如生成模型（例如，對各種影象進行分類，獲取『cat』類中的影象，然後使用它們來訓練GAN和模型）。
3樓：星塵紀元
AI資料標註就是使用自動化工具通過分類、畫框、注釋等等對收集來的資料進行標記以形成可供計算機識別分析的優質資料的過程。對於這一波因為深度學習而興起的資料標註行業來說，最大的潛在威脅很可能來自於增強學習、遷移學習等演算法，後者僅需要少量的資料即可以達到一定的效果。筆者認為，遷移學習確實是將來的趨勢，就單個模型來說，積累越久，資料需求量肯定會越少，但對於新模型來說，前期的需求量不會少，而模型是在增加的，所以對於「AI資料標註」這個正處在上公升期的行業，暫時不會有明顯影響。
而等到不需要AI資料標註時，想必AI已經具有了真正的智慧型，而那一天，距離現在還有很長一段時間。
From：星塵資料 stardust
4樓：Bruce
重複勞動的崗位必將被取代，如果把資料標註歸類為重複勞動，那麼這項本身為機器學習做資料服務的工作也一定會被取代，但是，我認為資料標註其實門檻很高，這個門檻是需要深厚的行業積累和沉澱，一定是機器無法替代的工作，所以一旦你開始擔心機器會取代你的工作時，你就需要反思你的專業深度是否不夠，沉澱是否還太少...
5樓：lens
資料標註的本質是將我們的知識作為先驗知識注入人工智慧，這種需求在短期內不會減弱，當然最終，隨著ai的進化我們的知識會變得越來越不重要。
資料標註有什麼好的方法？
資料標註現在在演算法的需求下引起大部分人的精力投入，資料標註工作相對簡單，對人員的門檻要求也不高，但是專案有時候資料量較大做不過來。就有以下幾種方法去解決，可以參考希望對您有幫助。1 標註員 可以經過培訓去提高自己員工自身的工作效率。目前資料標註還是主要依靠標註員，所以提公升他們的業務能力很重要。2...
AI的未來是什麼？
智多星 AI毀滅人類這個話題還是太大，AI毀滅人類也不排除不可能 這主要取決於未來的技術走向 如果未來的科學家突破了機械人自我識別，機械人自己給自己充電，自己給自己換零件換晶元，知道什麼是好什麼是壞，有自己的思維的話，人類即將面臨最大的敵人 不過這種可能基本不會實現的，人類不可能會做出不收控制的機械...
資料標註員全職的話，建議做嗎？
數啟 從市場前景來看，資料標註的需求量在不斷增加，而對資料標註員的要求也越來越高，如果你是2 3人的小團隊或個人做，不太建議當做全職工作，因為大多數標註需求小團隊是無法承接的。如果你能加入乙個有一定規模的標註團隊或進入標註基地工作，相對來說全職做還是比較合適的，一方面不用擔心接不到專案，收入相對穩定...