资料内容：
AI 的应用领域非常非常广，上图只是大家相对熟悉的几个，而且每一个领域用到的算法都
不一样。有很多想转型的产品，第一个考虑的点就是：不懂技术就做不了 AI，我是不是学
完算法才能入行？
其实不是。
大家可能知道：
不仅算法重要，很多时候数据可能更重要；有保质保量的数据，才可能有好的训练效果。
数据可分为两种类型：“被标记过”的数据和“未被标记过”的数据。什么是标记呢？意
同“贴标签”，当你看到一个西瓜，你知道它是属于水果。那么你就可以为它贴上一个水
果的标签。算法同事用“有标签的数据”去训练模型，这里就有了“监督学习”。
重点就是这里：只要是跟“监督学习”沾边的产品/技术，比如图像识别、人脸识别、自
然语言理解等等，他们都有一个必走的流程——
不断地用标注后的数据去训练模型，不断调整模型参数，得到指标数值更高的模型。
二、数据处理流程拆解
1、数据标注
数据的质量直接会影响到模型的质量，因此数据标注在整个流程中绝对是非要重要的一点。
1）一般来说，数据标注部分可以有三个角色
标注员：标注员负责标记数据。
审核员：审核员负责审核被标记数据的质量。
管理员：管理人员、发放任务、统计工资。
只有在数据被审核员审核通过后，这批数据才能够被算法同事利用。
2）数据标记流程
任务分配：假设标注员每次标记的数据为一次任务，则每次任务可由管理员分批发放记录，
也可将整个流程做成“抢单式”的，由后台直接分发。
标记程序设计：需要考虑到如何提升效率，比如快捷键的设置、边标记及边存等等功能都
有利于提高标记效率。
3）进度跟踪：程序对标注员、审核员的工作分别进行跟踪，可利用“规定截止日期”的
方式淘汰怠惰的人。
4）质量跟踪：通过计算标注人员的标注正确率和被审核通过率，对人员标注质量进行跟
踪，可利用“末位淘汰”制提高标注人员质量。
