模型辅助标记 - 是好是坏？

对于许多 AI 项目来说，收集数据无疑是项目中最昂贵的部分。标记图像和文本片段等数据是一项艰巨而繁琐的工作，没有太大的扩展可能性。如果 AI 项目需要不断更新或新鲜的数据，那么这可能是一项高昂的成本，可能会对一个原本很棒的项目的整个商业案例构成挑战。

不过，有一些策略可以降低标记数据的成本。我之前写过关于主动学习的文章；这是一种数据收集策略，侧重于在模型置信度最低的情况下优先标记最重要的数据。这是一个很好的策略，但在大多数情况下，您仍然需要标记大量数据。

主动学习 主动学习

为了加快标记过程，出现了模型辅助标记策略。这个想法很简单，就是你在标记的同时训练 AI，当 AI 开始在数据中看到模式时，AI 会向标记者建议标签。这样，在许多情况下，标签制作者只需批准预先建议的标签即可。

模型辅助标记既可以通过专门为标记目的训练模型来完成，也可以通过将实际生产模型放入标记循环中并让其建议标签来完成。

但是模型辅助标记只是一种更快地标记数据的可靠方法吗？或者该策略有缺点吗？我深入研究过模型辅助标记，我确信它有利有弊，如果你不小心，你最终可能会用这种策略弊大于利。如果你正确管理它，它可以创造奇迹并为你节省大量资源。

那么让我们来看看利弊。

优点

缺点

另一个缺点是，如果预标记质量太低，标记者需要花费比从空白答案开始更多的时间来纠正。因此，您必须小心不要过早启用预标记。

概率编程