新闻工作将怎样被人工智能所改变?

曾经,机器人的出现改变了整个制造业经济领域。如今,人工智能和自动化以同样的方式颠覆着信息工作,人类开始逐渐将认知劳动交付给计算机。

例如,在新闻业中,数据挖掘系统会提醒记者编辑们注意潜在的新闻选题,而新闻机构则为观众提供了获取信息的新方法。自动报道机制如今已可以覆盖财经、体育等品类的新闻。

当这些智能技术渗透到各行各业中时,人们通常会好奇传统工种和劳动力将受到怎样的冲击。本期全媒派带来独家编译,看看在人工智能加入的新闻业中,做新闻的会是谁?他,或者说它们,又会怎么做新闻?

强化而非替代

西北大学助理教授及计算机新闻实验室总监Nicholas Diakopoulos在其最新著作《自动新世界:算法如何改写媒体》中通过一系列论证表明,即使在人工智能主导的未来,仍然会存在很多人类新闻工作者。但是,这些人的工作,角色以及工作内容都会有所改变。人力将与算法结合,以释放人工智能的能力,同时适应其局限性。

据估计,以目前的人工智能技术水平,记者的工作中只有约15%可以实现自动化,编辑则只有区区9%。

在好莱坞大片以外的真实世界中,人类仍然在几个新闻业关键领域对人工智能保持优势,包括复杂沟通,专业思考,适应性,以及创造力。

报道,倾听,回应和推拉,平衡信源,最后将这些环节打通,用创造力输出内容,记者工作的每一步都不可或缺,而人工智能甚至无法完成其中任何一个。

但是,人工智能可以强化人类的工作成果,以帮助提高工作效率或质量。它能为深化新闻报道带来新机,让报道变得更加个性化。

新闻编辑部的工作总是在适应新技术的浪潮,摄影、电话、电脑,甚至是小小的复印机。记者也必将适应与人工智能的协同作业。作为一种技术,人工智能已经并将持续改变新闻工作,但它非但不会取代一个训练有素的新闻人,反而会让他变得更强。

新工种的出现

Nicholas Diakopoulos发现,人工智能技术似乎正在为新闻界创造新的工作类型。

以美联社为例,该社在2017年推出了计算机视觉人工智能技术,用以标记每天处理的数千张新闻照片。系统可以在标注中指明这张照片包含了什么内容或者哪些人,摄影风格如何,有无暴力画面等信息。

该系统将图片编辑从大量的标注工作中解放出来,从而拥有更多的时间来思考他们应该发布什么。

但无论在研发端还是编辑端,对这一系统的开发都需要大量的工作:编辑必须弄清要标记的内容以及算法对这一任务的匹配度,然后开发新的测试数据集来评估效果。完成所有操作后,他们仍然需要监控系统,手动批准每张照片的建议标签来确保高准确度。

负责该项目的美联社高管Stuart Myles告诉Nicholas Diakopoulos,这项工作耗时数年,十多名编辑、技术和行政人员参与其中。大约三分之一的工作涉及新闻专业知识以及一些特别难以实现自动化的判准。虽然在将来人力监督有望削减,但随着技术系统的发展和扩大,编辑的工作仍将不可或缺。

半自动化内容制作

在英国,RADAR项目每月通过半自动化模式输出约8000篇本地化新闻。该项目由6名记者运营,他们找到按地理区域划分的政府数据集,筛选出有趣且有新闻价值的选题,然后将这些想法发展为数据驱动的报道模板。

模板通过编码,将每条文本和数据归属的地理位置一一对应。例如,一篇报道可以讨论英国的人口老龄化问题,并通过布里斯托不同的本地化统计数据,向卢顿市的读者展示他们所属社群的变迁情况。这些报道会由通讯社发送到当地媒体,并由他们决定是否发布和如何发布。

在这一方法中,记者和自动化高效结合:记者利用他们的专业知识和沟通技巧,为数据预设一些可能的“故事线”。他们也会与不同信源讨论来获取某个问题的全国普适视角,从而编写报道模板。在这个过程中,自动化充当了新闻生产小助手的角色,使同一文本能够适应不同的当地环境。

RADAR记者使用一种名为Arria Studio的工具,它可以让内容生产者一睹自动化内容在实践中呈现的样子——它看起来就像一个复杂版的Word。

作者写出各种碎片式的文本,而这些文本则由if- then- else(如果-那么-否则)的代码规则驱动。例如,在地震报告中,我们可能需要不同的形容词来描述8级地震和3级地震。因此,我们可以这样设计代码:如果地震强度>7,那么输出文本“强烈地震”。否则,如果地震强度<3,输出文本“小型地震“。

像Arria 这样的工具还包含强大的语言功能,例如自动共轭动词或拒绝使用名词,从而更轻松地处理需要根据数据进行更改的文本。

人工智能如何改变新闻工作?

Arria的创作界面使得记者可以专注于自己擅长的事——从逻辑上构建引人入胜的报道情节并制作富有创意的非重复性文本。

但他们也需要一些新的方法来构思报道。例如,模板的编写者在做一个报道前,得了解数据能做到什么。他们需要想象数据能如何丰富角度或使叙事变得多样,同时能勾画出驱动这些变化的内在逻辑。监督,管理或编辑自动化内容的工作人员也越来越多地出现在新闻编辑室中。

质量和准确性是新闻业界最关注的问题。为此,RADAR开发了一个三阶段质检流程:首先,记者将阅读所有的自动化内容;然后,另一位记者将报道中给出的所有结论回溯到原始数据源;最后,编辑会再一次检查报道模板中的逻辑来排除错漏。

这几乎就像一个软件工程师团队在调试脚本时所做的工作,而这也是人类为了让自动化正常运转而不得不做的事。

终结付费墙?

内容生产并不是人工智能大施拳脚的唯一赛道。通过机器学习的算法,新闻媒体还可能发展出新的订阅模式,实现对每一位用户内容消费的量身定制。

通过调整订阅策略以及付费墙设置,新闻媒体一直在试图平衡自由浏览量和用户阅读权限——也就是在寻找广告收入和订阅收入之间的最佳平衡点。

当然,这个神奇的平衡点并不存在。有的人可能在一次浏览后就会订阅,有的人则需要更长时间才能做出付费转化的决定,而有些人根本就不会订阅。这些用户维度的个人差异基于大量指标而变化,例如地理位置、内容消费习惯、访问行为、主题、设备等。

在新技术的加持下,内容供应商不再需要通过单个数字来定义最佳策略,甚至不需要确定一个引导读者订阅的特定路径。如今,他们可以实时为每个用户生成最佳规则,向那些最有可能回应的人提供高价值的优惠。计算机无法自主制定营销策略,但它无疑可以帮助我们对营销策略进行优化。

美国公司Piano用了大约一年时间来改进和测试用户可能性模型。他们的机器学习系统可以筛选出所有浏览器级别的可用数据,从而能够预测并驱动用户行为。

Piano的第一个可能性模型就致力于预测用户订阅的可能性。

以下是它的工作原理:通过与全球各地传媒公司的关联,Piano已经能够分析数百个订阅网站和数十亿的每月用户互动。这一独特的优势使Piano工作人员对营销订阅的因素有了一些深入认知。更重要的是,它为我们观测影响订阅可能性因素提供了确切的数据。

某些数据点与用户转化的可能性密切相关。例如,用户每天或每周访问某个网站的时间,或者他们访问的设备类型等因素,都会定期形成可预测的模式,从而展示用户最终的行为方式。

动态付费墙规则是一种新兴业务,它的背后冉冉升起的是一个定价和业务规则完全动态并为每个用户定制的世界。虽然“订阅经济”已经取得了很大成就,但我们认为这种转变比从一次性支付转向经常性支付更重大。

这将是一个全新的世界,企业生产的所有内容都可以实时响应每一个用户、每一份商机。

深耕人力资源

如前文所述,人工智能和自动化非但没有减少新闻业的岗位,反而正在创造新工作,并改变现有的工作。今后,记者需要接受培训,以设计、更新、调整、检验、纠正、监督以及维护这些技术系统。许多人可能需要学会和数据一起工作,用逻辑思维来处理数据,多熟练掌握一些计算机编程基础知识也是不会错的。

随着这些新技术的发展,确保它们是优质的工作非常重要——人们不能只是在更大的生产机器中成为齿轮,这种新型混合劳动的管理者和设计者需要考量人类对自主性、有效性和可用性的关注。

Nicholas Diakopoulos乐观地认为,在这些技术中聚焦人类经验,将使内容工作者成长,让社会蓬勃发展,让人工智能和自动化交出更好的答卷。

推荐文章

教育的本质是为了培养未来的人才。人工智能社会即将到来,我们如何应对?7月13日上午,编程猫联合创始人、CEO李天驰来到2019 钛媒体 T-EDGE 科技生活节,他认为,未来30年是人工智能推动的社会,会带动新的人才的需求。人工智能切到教育的细分教育场景的要素是编程,这会倒逼编程教育作为学科教育的发展。经过四年的探索,李天驰发现,我们很早就谈计算机要从娃娃抓起,但效果并不尽如人意,核心就是缺乏合适的工具。其次,现在的编程课程的设置大多不是基于孩子的现年龄段的知识储备而设计。同时,因为编程教育的发展时间较短,相关师资人才匮乏。“有些工夫省不了的,教育本质上像传统农耕业,你必须仔细照顾这些幼苗,仔细为他们除草、施肥、耕作才会发芽。”李天驰说。好工具、好课程和好教师是才是关键。因此,我们要开发出更适合少儿使用的编程工具,根据不同年龄阶段的特点来设置课程,让编程教师有更多机会得到更好的收入,这样才能从根本上促进编程教育的发展。(本文首发钛媒体,作者/李程程)以下是编程猫联合创始&CEO李天驰在2019 钛媒体 T-EDGE 科技生活节演讲全文,经钛媒体编辑:大家好,很高兴来到钛媒体峰会。我在小学二年级学习编程,后面做计算机相关学习和研究,等到2015年,世界范围内少儿编程这个趋势非常好,回到中国来做,创办编程猫,一共四年,累计下来编程猫上面有一千多万学生学习编程,进到一万多所学校里,今天通过编程教育我们也连续八个季度收入翻番,预计下半年实现盈利。那么编程给我们孩子带来什么样的未来呢?先从几个小故事跟大家做分享。第一个是家在南方孩子叫丙南。之前有一个非常著名的媒体给他做采访,为什么采访他呢?一开始,他们采访编程猫的时候问我们,你们的孩子都是哪里的孩子,是不是家庭背景高大上?我说,分布非常不均匀,怎么样的背景都有,比如说丙南,家里是小区楼下小卖部,是一个旧货店,家里卖货的时候有一个小电脑,他用那个小电脑完成编程学习。2017年的时候,他的妈妈不是很理解,他举例说编程以后会像普通话一样的普遍,这是他们的理解。第二个故事是一个深圳小朋友——王蓉。她2016年开始学习编程,是五年级的学生,今天初一了。前不久,她妈妈特别开心跟我分享他孩子的变化,因为我们看到他在论坛上发布的贴子,跟我们平台上其他小朋友一起做一些探讨。这个孩子因为学习编程开始自己探索数学问题,因为他在研究一些课题的时候受到了阻碍,因为编程不仅仅是编程本身,也需要做课题的时候,需要很多其他学科知识,他自己花了一年的时间来去学习各种各样的知识,然后在知识帮助下完成AI学习的作品。在学习过程当中,他妈妈为什么找我聊天呢?特别有意思,在整个过程当中他没有参与其他任何补课,但是在这样过程里面通过自己的探索,在深圳名校里面,从年级中等的学生变成了年级前十的学生,这是他自己学习变成的变化。第三个故事是一位佛山的老师,后来他去到四川大凉山支教,写了他自己在支教过程当中的感想,我们把编程教材寄到大凉山的时候,他发给孩子,教大凉山的孩子学编程的场景。这个老师说,他选用编程猫作为教学工具原因是什么,以及在教学过程当中遇到什么困难和喜悦跟我们进行分享。这三个故事在不同时间节点发生,2015年到2019年,很多人重视编程教育,为什么它会越来越被重视呢?大家从政策上已经看见。我们出台各种各样的政策。原来教育部通过29项比赛,更多以学科为主,但是到今年,这29项比赛里面几乎1/3跟科技创新、编程类相关。我一直认为,教育本质是为了培养未来的人才,教育跟国家未来紧密相关,也是跟社会未来紧密相关的,教育要培养什么样的人才呢?过去30年和未来30年社会在发生什么样的变化?过去20、30年间,整个社会推动力量主要是互联网的变化,从互联网的兴起、带宽从有线变成无线,变成2G、3G、4G到今天的5G,互联网和移动互联网构成社会发展推动重要力量。从2020年到2030年、2040年我们社会经历新一轮技术对社会的推动,就是人工智能。社会由人工智能推动产生,因为人工智能技术发展会逐步推动社会发展,所以社会对新的人才产生新的需求。人工智能为什么倒逼编程这样一个学科发展?我们自己在内部举例的时候经常拿另一个学科举例,就是英语。从1978年改革开放以后,2001年加入WTO一直到现在,经济全球化是过去那个时代生产力发展最重要的因素,经济全球化带来了对全球化人才的需求,人才化的需求带来了教育改革,教育改革不断深化从大学到中学到小学,我们看见英语作为一个学科不断从高往低渗透到现在到幼儿园。还有很多人问我,为什么人工智能人才倒推在编程里,为什么不让小孩子进行机器学习,学习人工智能相关的知识?除了不一定学会以外,经济全球化以后,带来并不是这些孩子就要学全球化的这个学科,全球化的人才是一个很笼统的概念,切分到教育的里边,你会看到全球化基础要素工具是什么?是英语,走进教育是英语,而不是全球市场,或者说全球化商务这种学科。人工智能也是一样,它切分在教育垂直场景里面,要素是什么?是编程。我们在大学里面有这些动作,增设了人工智能学院,开了很多大数据专业。在中小学从去年开始密集有政策出来,开设编程课程,我们自己也参与在其中,我们进去非常多的学校,跟部里和各省厅有相关合作,在各地开展信息技术和编程教材。如果社会上对人才有需求的话,我们的孩子需要什么样的编程教育呢?这四年来的探索总结三点:好工具、好课程、好老师。编程在计算机基础上发展,计算机从机器语言到汇编语言到高级语言到今天,我们国家从80年代有计算机普及的推广,邓小平说过计算机要从娃娃抓起,从2017年以前回顾的话,你会发现为什么效果不好,核心就是缺乏合适的工具。因为孩子学习和成人学习不一样,第一有足够趣味性,第二以孩子思维培养为基础。编程猫做了Kitten个硬化工具,为什么更适合孩子呢?在这里面除了非常易用以外,功能非常多也很强大,它只要搭一些积木可以做一些神经网络训练的东西,包括像云计算等等东西。它的功能会更好。Kitten和其他工具相比的话,它在跟真正C语言、Python底层上是连通的,我们做它的方式和其他的工具,有一些不太一样的实现方式,本质上在高级语言上面做一层封装。所以,在学习过程里面从一个三岁的孩子学高度封装化图形方式,到中小学阶段从Kitten完成中小学学习,其实这里面是无缝连接,成体系是最重要的。什么是好课程?大部分孩子在上编程课,有很多实际上都不是非常好的设置。现在很多人在做编程课程是什么样的?在设计的时候我们叫面团设计,设计的课程的时候用户就是一个面团,你想捏成什么样就捏成什么样,有时候课程为一个七岁孩子设计的,有时候变成高一的孩子,当应用在教学里面及其难教,对于孩子来说怎么学都学不明白。如果这个课程为一个中学孩子设计的,一定会把乘法、除法考虑在里面,默认已经懂,小数点、百分比都不是问题,这个时候你做的课例难度已经在那里了,7岁的孩子怎么明白呢?你把坐标改成7.9和-1、-2,不同年龄不同认知特点的孩子要求课程不一样。现在大部分机构也好还有一些人员也好是凭着自己的想法去根据面团一样的用户去设计这个课程,对于用户来说是非常不友好的,而且对于孩子来说是在浪费时间。必须根据孩子不同年龄特点设计不同的课程。为什么大家不这么干呢?大家知道,依据不同的特点去设计不同的课程只有一个结果,课程量会大大增加,设计人员、课程体系要求会大大增加,而且是平方级的增加,为什么做矩阵式的课程呢?有些工夫省不了的,教育本质上像传统农耕业,你必须仔细照顾这些幼苗,仔细为他们除草、施肥、耕作才会发芽。编程课必须分年级,如果不分年级会发生为面团设计课程的事情,这对用户来说是极大的浪费时间。拥有这样认知特点的孩子,就应该匹配这样认知特点的课时,这是我们的观念。现在很多人在研究编程课程的时候,我们觉得在严谨性上还是有一些欠缺。编程课的研发必须是严谨和科学的,现在很像我家小孩病了,我旁边没有什么好的医生,更好我认识我家旁边有一个孩子,刚刚学完兽医毕业,我让他给我这个孩子看看,就像这样一个情况。因为编程教育的发展历史非常短,所以相关人才匮乏,大部分人做这个事情的时候凭拍脑袋,凭自己的想法,向中医开一些处方一样未必有良好的依据,这是我们自己做的尝试。希望通过自己的举措带动业界的进步,把这个课程落到学校里面,让更多的相关专业老师、学生、领导全方面来进行课程的科学性的论证。另外一个点,倒不是必备项目,一个好的课程对于孩子本身来说会有一个比较好的发展,编程课程最好学科融合,能够跟数学、语文、英语有一些关联,在你设计课例的时候,让这个孩子不仅仅在编程垂直领域去做,你在做项目的时候用编程知识解决生活问题,本质上编程教育解决问题的能力。比如说,让他用爬虫处理一下看看古代诗人互相之间的关系是什么,了解一下各个诗歌之间互相引用对方名字的频次……包括像数学方面的结合更多了,做出英语的单词听写器,每次自己在家完成听写作业,不用家长帮助孩子解决作业的问题。我们觉得学科融合是一个特别好的概念,我们也把它引入到我们课程里面去。对于编程教育来说,什么是好老师,这里有一个误区,程序员是不是适合教孩子编程?因为程序员自己编程水平会好,但是他对儿童发展、对于孩子的教育实际上有他自己一定缺陷在这里。我曾经教过一个孩子,他爸爸是一个很厉害的程序员,他问我说,你一直让这个孩子把这个角色在这里重复动,不考虑内存回收问题吗?这个习惯培养这么不好,将来怎么办。其实,你从孩子本身的特点来说,7、8岁的时候未必就是需要考虑那么周全,它的逻辑还没有到那个地步,所以编程老师有一个难点,既要懂编程和计算机科学,又要懂教育和儿童发展心理学。这样的老师怎么来呢?我们自己总结,一方面你需要有梦想和情怀改变这个世界,带给下一代有意义的事情,另外一方面必须匹配很好的收入,否则他们去阿里和腾讯了。我们经常开玩笑,一流的程序员可能当程序员,二流程序员都当产品经理,当不了产品经理才能考虑教育,总是三流肯定不好。一定有很好的收入去匹配,很好的收入背后是什么呢?编程教育要由什么样的老师,由编程教育商业闭环决定的,好的商业闭环带给好的老师,不好的商业闭环下机构的老师肯定不会太好,因为上限在这里,好的人往其他行业溢出。往外说是AI教学系统,实际上是人机交互教学系统。我们认为一对一的模式,或者其他的模式是不能带给老师很好的收入,必须用技术让老师提效,让收益增加才有可能。到今天为止看到,一个好的老师在一个月拿到5、6万的收入,在这个前提下才会有好的老师和人才愿意往这个行业里面来,好的商业模式支撑老师创造的收入是合理的,支撑企业正常发展,从500个老师到1000个老师,到2000个老师和1万个老师是没有办法负载的。很多人问我,你们为什么搞这套东西,我们想给老师创造更高收入,让更好的人才进入到这个行业里面来,真正意义上解决好老师的问题。这是我们那套系统的视频,在重庆8所学校许老师拍的。这是在课堂里面50多个学生上着50多个种进度课程的案例,这是一个课程在脱离老师以后进入到公益校的尝试。和很多高校合作培养编程教育的人才。

热门文章

简单讲:互联网数据标注员是借助电脑或者移动设备对一些原始的数据进行处理,生产出满足AI公司机器学习需要数据的一群人。按照数据处理对象的不同,工作内容也会有差别,标注员的工作内容可以分为:分类;框选;注释;标记。按照所处公司的不同,标注员的工作方式也会有差别:有的人工智能公司处于对数据安全性考虑会自建标注团队,在这些公司工作的标注员可以保证自己工作内容不会出现太大变动;但一些服务于人工智能公司非专业外包公司标注员的工作则是项目制的,一个项目忙完紧接着做另一个项目,这样工作内容连续性较差,对一种类型的项目经验也不会积累的太多。就目前来说,人工智能还处于人工增长阶段,机器依然需要大量的数据进行训练,测试。标注员在当下也会一直存在,而且从业群体会越来越多,所以暂时不用担心这份职业会不会短期消失。就标注员从业来说,建议选择人工智能公司和专业的数据公司,这样可以保证自己在一个方向上了解的足够深入。就职场晋升来说,以牛牛数据为例:标注员——项目经理——项目总监——数据运营总监。首先谈谈什么是数据标注。数据标注有许多类型,如分类、画框、注释、标记等等,我们会在下面详谈。要理解数据标注,得先理解AI其实是部分替代人的认知功能。回想一下我们是如何学习的,例如我们学习认识苹果,那么就需要有人拿着一个苹果到你面前告诉你,这是一个苹果。然后以后你遇到了苹果,你才知道这玩意儿叫做“苹果”。类比机器学习,我们要教他认识一个苹果,你直接给它一张苹果的图片,它是完全不知道这是个啥玩意的。我们得先有苹果的图片,上面标注着“苹果”两个字,然后机器通过学习了大量的图片中的特征,这时候再给机器任意一张苹果的图片,它就能认出来了。这边可以顺带提一下训练集和测试集的概念。训练集和测试集都是标注过的数据,还是以苹果为例子,假设我们有1000张标注着“苹果”的图片,那么我们可以拿900涨作为训练集,100张作为测试集。机器从900张苹果的图片中学习得到一个模型,然后我们将剩下的100张机器没有见过的图片去给它识别,然后我们就能够得到这个模型的准确率了。想想我们上学的时候,考试的内容总是不会和我们平时的作业一样,也只有这样才能测试出学习的真正效果,这样就不难理解为什么要划分一个测试集了。我们知道机器学习分为有监督学习和无监督学习。无监督学习的效果是不可控的,常常是被用来做探索性的实验。而在实际产品应用中,通常使用的是有监督学习。有监督的机器学习就需要有标注的数据来作为先验经验。在进行数据标注之前,我们首先要对数据进行清洗,得到符合我们要求的数据。数据的清洗包括去除无效的数据、整理成规整的格式等等。具体的数据要求可以和算法人员确认。二、常见的几种数据标注类型1.分类标注:分类标注,就是我们常见的打标签。一般是从既定的标签中选择数据对应的标签,是封闭集合。如下图,一张图就可以有很多分类/标签:成人、女、黄种人、长发等。对于文字,可以标注主语、谓语、宾语,名词动词等。&lt;img src="https://pic2.zhimg.com/50/v2-df93dc0a7e8a5fe387dc3774748b5f05_hd.jpg" data-caption="" data-size="normal" data-rawwidth="700" data-rawheight="400" class="origin_image zh-lightbox-thumb" width="700" data-original="https://pic2.zhimg.com/v2-df93dc0a7e8a5fe387dc3774748b5f05_r.jpg"&gt;适用:文本、图像、语音、视频应用:脸龄识别,情绪识别,性别识别2.标框标注:机器视觉中的标框标注,很容易理解,就是框选要检测的对象。如人脸识别,首先要先把人脸的位置确定下来。行人识别,如下图。&lt;img src="https://pic2.zhimg.com/50/v2-7824903d6d840e2bb08d96b5c2fa5874_hd.jpg" data-caption="" data-size="normal" data-rawwidth="591" data-rawheight="398" class="origin_image zh-lightbox-thumb" width="591" data-original="https://pic2.zhimg.com/v2-7824903d6d840e2bb08d96b5c2fa5874_r.jpg"&gt;适用:图像应用:人脸识别,物品识别3.区域标注:相比于标框标注,区域标注要求更加精确。边缘可以是柔性的。如自动驾驶中的道路识别。&lt;img src="https://pic3.zhimg.com/50/v2-4bc1dd2278182acf94fc426d7e6f2dc1_hd.jpg" data-caption="" data-size="normal" data-rawwidth="601" data-rawheight="377" class="origin_image zh-lightbox-thumb" width="601" data-original="https://pic3.zhimg.com/v2-4bc1dd2278182acf94fc426d7e6f2dc1_r.jpg"&gt;适用:图像应用:自动驾驶4.描点标注:一些对于特征要求细致的应用中常常需要描点标注。人脸识别、骨骼识别等。&lt;img src="https://pic4.zhimg.com/50/v2-5e24f394516c75e45942c37ba0da85c0_hd.jpg" data-caption="" data-size="normal" data-rawwidth="583" data-rawheight="387" class="origin_image zh-lightbox-thumb" width="583" data-original="https://pic4.zhimg.com/v2-5e24f394516c75e45942c37ba0da85c0_r.jpg"&gt;适用:图像应用:人脸识别、骨骼识别5.其他标注:标注的类型除了上面几种常见,还有很多个性化的。根据不同的需求则需要不同的标注。如自动摘要,就需要标注文章的主要观点,这时候的标注严格上就不属于上面的任何一种了。(或则你把它归为分类也是可以的,只是标注主要观点就没有这么客观的标准,如果是标注苹果估计大多数人标注的结果都差不多。)三、有什么发展前途?数据标注员可以说是AI消灭了一部分工作又创造出来的一种工作。在未来AI发展良好的前提下,数据的缺口一定是巨大的。可以预见3-5年内数据标注员的需求会一直存在。至于发展,其实所谓一些熟能生巧的工作,都是有被替代掉的风险的。深度学习解决的一件事情就是熟能生巧。在这个岗位上,其实你的一些想法就代表了AI的想法,AI会根据你标注的数据进行学习,想想还是有点成就感的。数据标注可以说是AI的入门级岗位,未来可转向其他AI岗位。如项目实施顾问等,这就要求更多的工作技能,需要再工作中积累。作者:跹尘链接:https://www.zhihu.com/question/30654399/answer/264828926来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。