編輯導讀：數據是AI公司的必需品，數據標註是AI產品模型開發中重要的一環，也是AI產品經理必須要了解的基本技術，本文作者從認知基礎、為什麼我們需要標註、錦囊三個方面對AI標註工具的產品設計工作展開了分析說明，與大家分享。
一、認知基礎
個人觀點的認知基礎如下，如果讀者不認同50%以上，那麼就沒必要浪費時間閱讀後續內容了，反之，我希望大家多質疑與交流，通過Q&A來共同進步。
認知1：人工智慧發展粗略可以分3個階段：符號主義（第1階段）→ 聯結主義（第2階段）→ 理想AI（第3階段），我們將長期（＞30年）處於第2階段
符號主義：代表人物紐厄爾和西蒙，認為人類的智能不管多複雜，歸根到底都是由符號計算來實現的。只要計算機科學家設計了適合的程序，計算機早晚有一天能憑著符號的計算，也能提出相對論、創造羅納爾多的射門、而剪紙捏泥人和書法篆刻就更不在話下。
符號主義的缺陷：很難在非常複雜的求解組合中快速找到最優解。
聯結主義：代表人物大衛休謨，認為人工智慧的首要任務是建立大腦的模型，不是預先給定解決問題的演算法，而是構建一個在計算機上模擬的「神經元網路」，讓機器自主地建立不同神經元之間的「聯結」，通過最終結果的反饋，不斷調整聯結的模式，最終逼近最優解。
聯結主義的缺陷：過於依賴經驗數據
理想AI：感知智能+認知智能+情感的主觀感受+自我意識
理想AI的缺陷：暫時無實現方案
認知2：AI執行語義理解任務，當前已經到了技術成熟期，後續依賴產品力和數據
粗暴一點說，各家演算法基本無差別（＜10%）。以解決實際業務問題、實現業務價值為衡量標準的話，產品的易用性（決定落地門檻/規模/效果）、組件化程度（決定成本），數據的數量和質量，才是決定價值的砝碼。
認知3：中國現階段（10年內）ToB市場，大B的真需求都在自給自足，第三方服務中小B才是正途
大B只有探索型需求和偽需求（為了體制內的升官發財）才會留給第三方，所以一個第三方公司如果敢說只做大B，那麼一定是死路一條或者半死不活（無法建立壁壘/低利潤率）
二、為什麼我們需要標註？
認知1中提到「聯結主義的缺陷在於過度依賴經驗數據」，那經驗數據是什麼？經驗數據 = 已標註數據。
未標註數據只能用於無監督機器學習，當前執行99%以上AI任務的都是有監督機器學習模型，預計未來30年以內還會保持現狀。所以數據標註就是繞不開的檻。
三、錦囊
效率高是好的標註工具的唯一標準，所以3條錦囊全部都是圍繞語義標註工具效率提升。
效率 = 認知效率 + 操作效率 + 智能化，以下錦囊也都是沿著這3個提升效率的方向進行的產品設計。
錦囊1：互斥性原則
語義模型本質上是一個分類模型，分類最關鍵的是類別清晰，例如想想折磨我們的垃圾分類。互斥性值得就是不同類之間要做到不重不漏（漏的部分一定設置專門的「其他分類」來兜住）。
具體到產品設計上，歧義優化（根據向量相似度，自動識別不同類之間存在交疊關係的語料），分類說明（設置為必填項）等都是互斥性原理的具體體現。
錦囊2：聚類冷啟動
Bert無監督聚類模型做冷啟動，「效果杠杠的，誰用誰知道」。缺失此模塊，數據標註人員冷啟動階段就全靠想象力「瞎編」。我見過太多數據人員編寫相似句（同一語義不同句式表達方式）寫到生無可戀。上線周期還會因為標註效率低和效果差一拖再拖。
錦囊3：By分類智能推薦待標註語料
來，這一條錦囊大家可以在評論區猜一猜是啥意思？
錦囊4：Badcase閉環調優
語義模型調優 = 正向調優（By準確率）+ 反向調優（By Badcase）
Badcase指模型判斷結果存在偏差的語料（來自於測試集+業務側收集反饋），是極其寶貴的復盤資料。設計原理是從點狀問題（Badcase）順藤摸瓜找到本質問題（如ASR準確率、語義分類體系問題、存在大量歧義等）進行解決。反向調優可以極大提升模型的準確率、覆蓋率等核心指標。
錦囊5：隔離數據管理與標註工具
若不進行隔離，隨著產品功能複雜度的提升，標註工具的認知門檻會陡增。可以理解為廚房裡的原材料和鍋碗瓢盆混在一起丟到了一個櫥櫃中。這將嚴重影響產品給用戶的確定感，會將標註效率直接打6折。
結語
AI執行語義任務，標註是繞不過的檻。但只要我們通過「傻瓜式工具」輔助用戶輕鬆邁過去，AI對真實場景的賦能價值將被放大100倍以上。
作者：張佳偉，AI產品經理