What is Data Labeling（資料標記）?

Definition

資料標記是將結構化元資料——分類、標籤、邊界框、實體跨度或品質分數——附加到原始資料上，使其能作為監督式機器學習訓練訊號的過程。在 LLM 微調中，標記通常意味著將文字組織成指令-回應對、按主題或難度分類、評分回應品質，或用實體類型標註文字跨度。

標籤品質直接決定模型表現上限。在標記不佳的資料上訓練的模型將學習錯誤的模式，無論架構或訓練配置如何。高品質標記需要清晰的標註指南、訓練有素的標註者和系統化的品質保證流程。

Why It Matters

對於微調語言模型，標記資料集是傳達期望行為的主要機制。每個指令-回應對都是教導模型什麼是好回應的隱含標籤。標記也是資料集建立中最耗時和最昂貴的部分，每個範例 $5-50，這推動了半自動標記方法的發展。

How It Works

典型的標記工作流程從定義標記方案開始，配置標記介面，標註者根據指南處理資料集。品質透過冗餘標記、金標準範例和自動一致性檢查來保證。標記的資料集以適合訓練的格式匯出——通常是 JSONL。

Example Use Case

一家電商公司想將客戶詢問分為 15 類。他們提取 10,000 個工單，三個標註者獨立標記。分歧案例由資深客服審查。最終資料集達 94% 標註者間一致性，微調分類器準確度 91%——比零樣本提高 23%。

Key Takeaways

• 資料標記為原始資料分配結構化標註用於監督式學習。
• 標籤品質設定模型表現上限——沒有架構能克服差的標籤。
• 標記是資料集建立中最昂貴的部分，推動半自動方法的需求。
• 品質保證需要冗餘標記、金標準和標註者間一致性指標。
• 對於 LLM 微調，每個指令-回應對本身就是編碼期望行為的標籤。