電子發(fā)燒友網(wǎng)報(bào)道（文/李彎彎）最近爆火的ChatGPT有多強(qiáng)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(shī)，到用5歲孩子都能理解的語(yǔ)言描述，以及復(fù)雜數(shù)學(xué)問(wèn)題，也因此月活躍用戶在短短上線兩個(gè)月就達(dá)到1億。

而強(qiáng)大的ChatGPT背后，離不開一項(xiàng)重要的工作，那就是數(shù)據(jù)標(biāo)注。據(jù)美媒報(bào)道，為了訓(xùn)練ChatGPT，OpenAI的合作伙伴Sama雇傭了肯尼亞、烏干達(dá)和印度的外包員工，對(duì)龐大的數(shù)據(jù)庫(kù)手動(dòng)進(jìn)行數(shù)據(jù)標(biāo)注。


什么是數(shù)據(jù)標(biāo)注

事實(shí)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(jì)算機(jī)程序，要想實(shí)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(jì)算機(jī)，讓計(jì)算機(jī)擁有類似人類的識(shí)別能力。在這一過(guò)程中，需要計(jì)算機(jī)模仿人類進(jìn)行經(jīng)驗(yàn)學(xué)習(xí)。

而數(shù)據(jù)標(biāo)注就是把需要計(jì)算機(jī)進(jìn)行機(jī)器學(xué)習(xí)的的圖片、視頻等初級(jí)數(shù)據(jù)打上標(biāo)簽，讓計(jì)算機(jī)不斷的識(shí)別這些初級(jí)數(shù)據(jù)的特征，最終可以讓計(jì)算機(jī)能夠自主的識(shí)別。

這里涉及到幾個(gè)概念：1、數(shù)據(jù)標(biāo)注，簡(jiǎn)單來(lái)說(shuō)，就是對(duì)文本、圖像、音頻、視頻等數(shù)據(jù)進(jìn)行高質(zhì)量、高精度的處理打標(biāo)簽，來(lái)滿足機(jī)器訓(xùn)練學(xué)習(xí)的需求。2、標(biāo)簽，就是對(duì)需要機(jī)器學(xué)習(xí)的數(shù)據(jù)進(jìn)行標(biāo)識(shí)特征、類別和屬性等，用于建立數(shù)據(jù)和機(jī)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(fù)責(zé)對(duì)文本、圖像、音頻、視頻等數(shù)據(jù)進(jìn)行高質(zhì)量、高精度的處理打標(biāo)簽的工作人員。

計(jì)算機(jī)特征數(shù)據(jù)主要分為圖像數(shù)據(jù)、語(yǔ)音數(shù)據(jù)、文本數(shù)據(jù)等。在自然語(yǔ)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(guò)對(duì)語(yǔ)句分詞的標(biāo)注、語(yǔ)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(jī)器學(xué)習(xí)提供高準(zhǔn)確率的文本語(yǔ)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(guò)數(shù)據(jù)清洗，對(duì)采集的數(shù)據(jù)進(jìn)行篩選、去重、查缺補(bǔ)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(guò)清洗后，就可以進(jìn)入數(shù)據(jù)標(biāo)注的核心環(huán)節(jié)。在現(xiàn)實(shí)的標(biāo)注工作中，數(shù)據(jù)管理員會(huì)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(gè)數(shù)據(jù)任務(wù)都會(huì)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(gè)標(biāo)注員進(jìn)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(duì)數(shù)據(jù)進(jìn)行檢驗(yàn)，最終通過(guò)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(bào)酬

從ChatGPT來(lái)看，雖然對(duì)于ChatGPT最后的強(qiáng)大能力來(lái)說(shuō)，數(shù)據(jù)標(biāo)注是重要的一環(huán)，然而這卻是一項(xiàng)工作量及其龐大，報(bào)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(qiáng)大的語(yǔ)句串聯(lián)的能力。然而，當(dāng)時(shí)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(huì)出現(xiàn)這樣的不足之處，是因?yàn)锳I工具從互聯(lián)網(wǎng)抓取了數(shù)千億個(gè)單詞來(lái)訓(xùn)練。由于互聯(lián)網(wǎng)的詞匯有不少帶有偏見及負(fù)面的詞匯，因此單純憑借學(xué)習(xí)能力無(wú)法來(lái)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(wàn)條文本片段。這家公司便是Sama，Sama總部位于美國(guó)舊金山，該公司雇傭了肯尼亞、烏干達(dá)和印度的外包員工。大約30多名工作人員被分成三個(gè)小組，每個(gè)小組都專注于一個(gè)主題。據(jù)該公司的三名員工表示，他們每9個(gè)小時(shí)要閱讀和標(biāo)注150~200段文字，這些段落的范圍從100個(gè)單詞到1000多個(gè)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(shí)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(gè)小組中最初級(jí)的數(shù)據(jù)標(biāo)簽人員，他們的基本工資為每月2.1萬(wàn)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(jiǎng)金，如果達(dá)到準(zhǔn)確性和速度等關(guān)鍵績(jī)效指標(biāo)，他們還可以獲得傭金。

按此計(jì)算，一名每天工作9小時(shí)的員工預(yù)計(jì)稅后時(shí)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(dá)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(dá)到了所有績(jī)效目標(biāo)，時(shí)薪可以拿到2美元。

OpenAI發(fā)言人曾在一份聲明中證實(shí)，Sama在肯尼亞的員工為該公司正在開發(fā)的監(jiān)測(cè)有害內(nèi)容的工具作出了貢獻(xiàn)，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(jìn)了更多人的視野。然而從目前的情況來(lái)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?，人工智能的存在和實(shí)現(xiàn)，不僅僅是解放人們的雙手，同時(shí)從這個(gè)層面來(lái)看，它對(duì)勞動(dòng)力的需求也是龐大的。