随着机器学习/深度学习的兴起，数据成了“天花板”，有什么样的数据，就有什么样的模型效果，如果数据质量不佳，什么都白搭。正所谓：

“garbage in garbage out”

于是，人工标注成了项目实施的必备环节，直接关系到产品效果。

然而，标注过程相对枯燥、重复、无趣，成了没有感情的工具人…向人工智能训练师们致敬！

（0）人工标注介绍

数据标注是指对文本、图像、音频、视频等数据进行高质量、高精度地打上标签，以满足机器训练学习的需求。

• ① 数据类型主要分为：文本、图像、语音、视频等

• ② 标注任务主要有：分类标注、标框标注、区域标注、描点标注和其他标注

• ③ 人工标注中主要角色：

• 1) 标注员: 标注数据, 由经过专业培训的人员来担任.在一些特定场合或者对标注质量要求高的行业(例如医疗), 直接由模型训练人员(程序员)或者领域专家来担任.

• 2) 审核员: 审核已标注数据, 完成数据校对和数据统计, 适时修改错误并补充遗漏的标注. 这个角色往往由经验丰富的标注人员或权威专家来担任.

• 3) 管理员: 管理相关人员, 发放和回收标注任务

数据标注过程中，各个角色之间相互协作、相互制约

图解人工标注基本流程及各方协作关系

• 角色上，增加了项目经理，负责标注规则宣讲、任务分发、回收、人员调配等

• 审核员里的修改环节可由质检员承担
  

参与标注、质检、审核等环节的人员需要同时兼顾先验知识和标注规则，

标注的本质：

• 标注 = 常识 + 标注规则

• 常识对应先验知识。有了常识能力，仅提供类别名称（未提供标注规则）就能标注。即零样本NLP模型（如Siamese-uniNLU、paddleNLP）的核心。

• 标注规则帮助标注员明确任务、区分边界。包括：任务定义、类别定义、边界处理逻辑等

（1）人工标注局限性

尽管训练师们披星戴月，加班加点，完成数据标注，最终效果未必令人满意。

以简单的文本分类为例，经过培训的标注人员平均效率 200-800条/天，质检通过后，交付数据仍然有10-30%的错误率。

原因多种多样

• 标注规则不确定：初期规则一般由需求方提供，从少量数据+业务经验中提炼而来，难以兼顾大部分情形，这个环节一般需要几轮迭代

• 标注人员方差：同一句话，不同人的理解不一样

• 任务难度大：有些样本人都难以区分。
  

一些示例告诉你NLP为什么难：

• cover me ！→ 盖外套，还是 掩护？ 

• 你也想犯范范范玮琪犯过的错吗

• 《绿林俊杰》→ 林俊杰做错了什么？为什么要绿他

• 碳碳键键能能否否定定律一

• 书名：《无线电法国别研究》

• 他快抱不起儿子了，因为他太胖了 → 到底为啥抱不起来？

• 中不不建交是受印度的影响 → 中不建交不受印度的影响

• 同学会标语：从小便相识，大便情更浓

更多案例见文末

语音、图像和视频等模态中，文本难度最大，因为语言是人类创造，非结构化，人类沟通过程时为了提升效率，常常：

• 忽略常识、背景信息（世界模型）—— 还记得文言文、早期电报吗

• 然后尽可能的压缩（编码）—— 有损压缩，丢失信息

• 接收者按照自己的常识、背景加以理解（解码）—— 各自的世界模型不同，信息不全，解码结果当然就不同了

总结下人工标注面临的问题

• 部分任务需要有领域知识：如金融情感分类任务标注要求同时具有金融 + 社交媒体知识，对标注员的专业性要求高

• 整体准确率有限：即便人类也只能达到70%的标注一致性，仅通过人类难以获得大量的高质量标注样本

• 其它：理想情况，人力充足、时间充足，而实际上，大部分任务都是排期紧，标注资源少，只有一轮试标+标注+质检的机会。

（2）用大模型（LLM）来标注？

上面提到的这些问题该怎么办？

引入LLM后, 部分工作得以替代

• LLM本身具备一定常识。不提供细则，也能有良好的效果；

• LLM 听懂人话、高效。标注规则通过自然语言表达，也通过自然语言修改，成本低、速度快、且人类可以理解。

既然大模型理解能力这么强，都要达到AGI了，那能不能用到人工标注里？

• LLM + In-Context Learning 来标注：有实验证明，使用prompt提示工程效果不错，Reddit测试集上ACC达到72%。

详见往期文章：Prompt提示工程编写指南，文生图Prompt如何自动化？贾扬清PromptLLM实测

那么，GPT vs 人工，到底谁厉害？

【2023-3-29】苏黎世大学：

ChatGPT标注数据比人类便宜20倍，80%任务上占优势

• ChatGPT Outperforms Crowd-Workers for Text-Annotation Tasks

在ChatGPT面前，无论成本还是效率，人类毫无优势：

• 成本：ChatGPT平均每个标注成本低于0.003美元，比众包平台便宜20倍；何况AI还能24*7无休。

• 效率：在相关性、立场、主题等任务中，ChatGPT也是以4:1的优势“碾压”人类。

用 6183个 条推文样本证明：ChatGPT 在多个标注任务中优于众包工作者，包括相关性、立场、主题和框架检测。

• ChatGPT 零样本准确性在4个数据集中平均超出众包工作者20%

• ChatGPT 的编码一致性在所有任务中都超过了众包工作者和专业标注员。

• ChatGPT 每次注释成本不到 0.003 美元，比 MTurk 众包员工便宜30倍。

大型语言模型大幅提升文本分类效率。

（3）LLM标注范式

有人总结了LLM标注的3种范式：调参式、工具式、智能式。

• (1) 调参式：精心设计Prompt，不断迭代出满意的版本

• (2) 工具式：局部使用

• (3) 智能式：智能体迭代

表格整理：

各范式间的关系

• 智能式和调参式都用全局性LLM来完成标注任务；而工具式里LLM局部作用；

• 智能式和工具式核心是迭代标注规则；而调参式核心是迭代与业务无关的变量（参数、prompt技术等）；

• 调参式可以结合在智能式、工具式当中，以进一步提升效果；

图解几种模式的差异

更多细节，参考作者段誉的知乎文章：https://zhuanlan.zhihu.com/p/662285150

（4）LLM标注工具

（4.1）ChatGPT NER Demo

ChatGPT 用于 人工标注的 Web系统：Weak Labeling Tool using ChatGPT，链接见附录。

把ChatGPT当做标注员，完成初步标注

以上解决的是简单任务，复杂任务标准不明，怎么办？

【2023-6-18】无需人力标注！悉尼大学华人团队提出”GPT自监督标注范式

业界和学界面临数据标注任务：成本较高、存在偏见、难以评估，以及标注难度等问题。

悉尼大学研究提出通过大语言模型自监督生成标注的框架。首次利用基于生成-还原循环标注的GPT自监督方法，解决了上述问题

• davinci，text-curie-001，text-davinci-003，gpt-3.5-turbo在不同评估标准下标注数据质量的得分

核心思想: 利用大语言模型作为一个黑盒优化优器，构造了一个循环：

• 模版质量越高，生成的数据-标注对质量越高；

• 生成的数据标注对质量越高，用当前质量更高的数据对替换上一轮的模版。

• 以此往复迭代，滚雪球式循环提升标注质量。

（4.2）Autolabel

【2023-6-19】GPT-4终结人工标注！AI标注比人类标注效率高100倍，成本仅1/7

数据标注需要找到一个新方法，避免大量使用人工标注带来的包括道德风险在内的其他潜在麻烦。所以，包括谷歌/Anthropic在内的AI巨头和大型独角兽，都在进行数据标注自动化的探索。

• 谷歌开发了一个和人类标注能力相近的AI标注工具

• 论文: RLAIF:Scaling Reinforcement Learning from Human Feedback with AI Feedback

• Anthropic采用了Constitutional AI来处理数据，也获得了很好的对齐效果

• 论文: Constitutional Al: Harmlessness from AI Feeedback




初创公司refuel，也上线了一个AI标注数据的开源处理工具：Autolabel。用AI标注数据，效率最高提升100倍. introducing-autolabel

• 按照使用成本最高的GPT-4来算，采用Autolabel标注的成本只有使用人工标注的1/7，而如果使用其他更便宜的模型，成本还能进一步降低

Autolabel结合GPT-4进行标注可取得88.4%的准确率，超过了人工标注的准确率。Autolabel还可以估计标注置信度，允许用户平衡成本和质量。总体来说，Autolabel极大地降低了数据标注的门槛，为训练高质量模型提供了可能。

（4.3）LabelFast

【2023-11-3】LabelFast：基于LLM的NLP任务自动标注开源工具，Demo发布「AI小作坊」

• LabelFast 用LLM技术，识别并快速标注简单文本数据的开源工具，demo

• 标注员只需关注那些少量而关键的难样本，达到降本增效

特点如下：

• 开箱即用。无需微调和Prompt工程，提供 标注任务 + 样本，马上开始标注；

• 诚实可信。在提供标注结果的同时，还提供Confidence信息，以表示模型对标注结果的信心程度，便于使用者确定何时信任模型结果；

• 完全开源。LabelFast源于开源的模型和技术，因此也将回馈开源社区。

LabelFast核心理念：

• 用最快的速度，完成简单样本的标注，让人类聚焦于关键的难样本。

常见使用场景

• 单条样本标注: 将单条样本填入文本框 -> 执行标注 -> 得到标注结果；

• 批量样本标注: 将多条样本，按格式做成xlsx/csv文件 -> 上传文件 -> 执行标注 -> 得到批量标注结果；

• 批量样本标注 + 选择confidence threshold: 将多条样本 + 真实标签，按格式做成xlsx/csv文件 -> 上传文件 -> 执行标注 -> 得到批量标注结果 + 各confidence threshold下的任务表现(output2) -> 根据任务表现，确定confidence threshold，高于此值的自动标注结果可直接使用，低于此值的通过其他方式标注

（4.4）图片标注

以上都是文本标注工具，图像领域怎么办？

【2024-1-8】告别逐一标注，一个提示实现批量图片分割，高效又准确

Segment Anything Model (SAM) 在图像分割领域兴起，优异的泛化性能引发了广泛的兴趣。然而，尽管如此，SAM 仍然面临一个无法回避的问题：

• 为了使 SAM 能够准确地分割出目标物体的位置，每张图片都需要手动提供一个独特的视觉提示。

目前的一些方法，如 SEEM 和 AV-SAM通过提供更多模态的输入信息，引导模型更好地理解要分割的物体是什么。然而，尽管输入信息变得更加具体和多样化，但在实际场景中，每个无标注样本仍然需要一个独特的提示来作为指导，这是一种不切实际的需求。

伦敦大学玛丽女王学院提出了一种无需训练的分割方法 GenSAM ，只提供一个任务通用的文本提示的条件下，将任务下的所有无标注样本进行有效地分割。

Generalizable SAM（GenSAM）模型旨在摆脱像 SAM 这类提示分割方法对样本特定提示的依赖。

作者提出跨模态思维链（Cross-modal Chains of Thought Prompting，CCTP）的概念，将一个任务通用的文本提示映射到该任务下的所有图片上，生成个性化的感兴趣物体和其背景的共识热力图，从而获得可靠的视觉提示来引导分割。此外，为了实现测试时自适应，作者进一步提出了一个渐进掩膜生成（Progressive Mask Generation，PMG）框架，通过迭代地将生成的热力图重新加权到原图上，引导模型对可能的目标区域进行从粗到细的聚焦。值得注意的是，GenSAM 无需训练，所有的优化都是在实时推理时实现的。

（5）LLM标注实战

说是一回事儿，做是另一回事儿。

来实测下LLM标注效果

（5.1）数据集

以最简单的文本分类任务为例：倾向性分析

• 输入：太阳出来了吗 →输出：积极

• 输入：怎么这么慢 → 输出：消极

• 输入：嗯嗯 → 输出：中性

注意：这几个示例的答案不唯一，第一句也可以是中性，第三句也可以消极（湖北人高冷口头禅），这里只代表大部分的字面含义理解，不含背景、上文

（5.2）任务设计

使用范式智能式范式，构建多个Agent，充当标注流程中各个角色，检验标注效果

自动标注任务设计

• 基本流程: 任务开始 → 分发给标注员 → 质检员质检 → 回收

• 标注员: 4个，如下图

• 质检员: 1个，负责检测标注结果是否幻觉、是否一致，如果不对一并修改

• 质检方式: 统计集成+LLM检测，即出现不同结果时，选最多的

流程图：

（5.3）代码实现

使用 GPT-3.5和GPT-4实现。

代码文件 auto_labeler.py 内容

• 使用多线程（theading）实现多个标注人员一起标注

代码片段

# --------------- prompt设计 ---------------label_set = ['积极', '消极', '中性']task_desc = f"给出以下句子的情绪等级: {','.join(label_set)}\n注意: 输出结果不能超出标签范围"
# annotator 标注员system_prompt_a = f"""你是一个标注员，请完成文本分类标注任务. 任务描述: {task_desc}待标注数据: [query]标注结果: """# inspector 质检员system_prompt_i = f"""你是一个质检员，你判断标注结果是否合格- 如果标注员识别结果(逗号分隔)都一样, 返回: Yes,标注结果- 如果标注员识别结果(逗号分隔)不同, 返回: No,矫正后标注结果
任务描述: {task_desc}待标数据: [query]标注结果: [result]质检结果: """

听说你不想写代码？

没关系，可以使用大厂的Bot管理平台来实现，比如字节的Coze（扣子）

• 【国外版】Multi-Agent 实现: AutoLabeler自动标注员

• 【国内版】workflow 实现: workflow

链接公众号私信

（5.4）效果分析

运行代码, 两种模型各跑两次，结果相同，说明非随机结果

执行多代理自动标注

python auto_labler.py

model: gpt-3.5-turbo-0613

model: gpt-4-0613

gpt-3.5 vs gpt-4 对比分析

• gpt-3.5 速度快(平均0.45s)，但准确率不高(60%),不够稳定(60%)

• gpt-4 速度慢(平均1.1s), 准确率高(100%)，且稳定(100%)

以上数据量较小，统计意义欠佳，仅供参考，但大致可信，1k的实验数据集，结果也类似。

（6）思考

以上是LLM在文本分类上的小试牛刀，LLM在文本分类上有没有新鲜点子？

当然有，学术界的做法总结：

• （1）Prompt系列，除了直接PE，In-Context Learning 3种改进技术如下：

• Noisy Channel Model：2022年5月，华盛顿大学和Meta出品，根据贝叶斯概率公式，反其道而行之，将 Prompt 反着写，即将分类任务转化为生成任务

• Contextual Calibration（简称CC）：2021年，消除ICL导致高方差的3类bias

• Domain-context Calibration（简称DC）：2023年7月，瑞士苏黎世联邦，改进CC，消除llm、prompt和domain里的bias

• （2）蒸馏法：2023年，基于分类的蒸馏（CLS）、基于回归的蒸馏（REG），最后选择P-R曲线更平滑的REG，

• 最佳prompt组合技：manual few-shot COT + self-consistency