韩路一坐在原地,盘算接下来的计划。
赵文渊说得没错:开源语料谁都能拿到,标注出来都大差不差,但那是对普通标注员而言。
数据标注到底是什么?说白了,数据标注就是做阅读理解。给你一篇文章,问“这个人到底想干什么”,标注员写一个标准答案。
就像赵文渊刚才说的,现在业内是流水线作业:清洗管线负责清洗数据,标注员拿到手的已经是规范化文本,连数据从哪来都不知道;他们要做的,是在文本上标意图标签。一篇三千字的新闻报道,最终可能只变成一句话的意图标签。
但有时候,标注员忽略的、甚至原本就看不到的那些细节,却恰恰是韩路一最想要的。
举个例子:有用户在论坛发帖,问怎么跟父母开口,说自己不想回老家工作。
几百字的帖子,标注员提取的意图标签是“如何说服父母接受个人职业选择”。
但其中有一句话,在视界下看才是更重要的因素——“我爸上个月刚退休”。
父亲刚退休,想让儿子回到家乡,这真的是一个职业选择的问题吗?
文章里没有提到:父母对儿子提出需求的契机,到底是什么?
这时,如果儿子去问ai,他真正需要的答案,是一套标准的说服技巧吗?还是帮他看穿层层迷雾之下——一个刚空出许多时间的老人,对家庭关系的情感需求?
“如何说服父母接受个人职业选择”这个标注,恐怕连问题的方向都没有找对。
给定的原始语料越精简,视界反而越难从中发现信号,因为信号往往就在被忽略的细节里,在被普通标注员当作噪声精简掉的部分里。
所以韩路一要做的,是用视界把那些别人当成噪声、实际却真正相关的上下文筛出来,再配上准确的意图标注。
同样一条数据,别人标注出来是一句话,韩路一标出来的却是当事人所有的心理需求。
这个能力,点石成金。
和赵文渊聊完之后,韩路一又去了趟司衡律师事务所。
顾司玥在办公室里等着,桌上摆着两杯英式红茶。
韩路一坐下,端起红茶喝了一口,味道还行。
顾律师最近喜欢喝红茶吗?他不着边际地想。
顾司玥问:“怎么,什么事电话里不方便说?”