导读 数据是任何AI ML开发的核心。数据的质量和深度决定了AI应用程序的级别。考虑到用于构建ML训练模型的数据越好，输出就越好。机器学习团
数据是任何AI / ML开发的核心。数据的质量和深度决定了AI应用程序的级别。考虑到用于构建ML训练模型的数据越好，输出就越好。机器学习团队需要进行适当的数据准备，例如数据收集，清理和标记。
数据标记是一个简单但困难的任务
当涉及数据标记时，这是处理原始数据(图像，文本文件，视频等)以用于计算机视觉的重要步骤，以便机器学习模型可以从标记的数据集中学习，一些数据标记公司被迫转移到由于大流行而导致的在家工作模式，这在通信，数据质量和检查方面提出了挑战。例如，Google Cloud正式宣布其数据标签服务有限或不可用，直至另行通知。用户只能通过电子邮件请求数据标记任务，而不能通过Cloud Console，Google Cloud SDK或API启动新的数据标记任务。
业内人士说，数据标记是一项简单但困难的任务。一方面，一旦制定了标签标准，数据标签商只需耐心和专业就直接遵守规则。但是，另一方面，数据标记是为了追求ML的高质量，而ML对于要标记的大量数据要求准确性，效率和高人工成本以及时间。
根据Alegion发布的一份报告，大多数AI组织表示，用数据训练AI的过程比预期的要困难。缺乏数据和数据质量问题已成为AI应用的主要障碍。