AITerms 登入
機器學習模型訓練資料處理

資料標註(Data Annotation)是什麼?

資料標註是為資料集添加標籤或註解的過程,使機器學習模型能夠理解和學習這些資料,是模型訓練的基礎。

完整定義

資料標註是指為原始資料(如圖像、文本、音訊、影片等)添加標籤、註解或詮釋的過程。這些標籤提供了關於資料的額外資訊,使機器學習模型能夠理解和學習這些資料。高品質的資料標註對於訓練出準確可靠的模型至關重要。

白話說明

你有沒有在把原始資料交給標註團隊,準備訓練模型時,還在想這件事到底該怎麼看?

把它想成替資料貼上正確答案和說明。

沒有標註,很多監督式模型就沒有學習目標。

標註品質會直接影響模型表現,錯標比少標更麻煩。

記住這句

先把答案貼對,模型才學得對。

比喻:資料標註就像教小朋友認識世界 -- 你指著圖片說「這是貓」、「這是狗」,小朋友聽多了就知道怎麼分辨。標註就是告訴 AI 這些資料的「正確答案」,讓它學會判斷。

容易混淆

data-cleaning

vs 資料清理:資料清理像整理亂七八糟的書架,把髒亂或重複的書拿掉;資料標註像幫書貼上分類標籤,讓書架上的書變得有意義,方便 AI 閱讀和學習。

常見混淆:資料標註 vs data-cleaning

標註是貼答案,清理是修資料。

實際案例

影像框選

把車、人、紅綠燈框出來,讓偵測模型知道該學什麼。

客服語料分類

把對話分成退款、查單、抱怨等類別,方便分類模型訓練。

演算法與應用

1. 標註前要先定義清楚規則,不然不同人會貼出不同答案。

2. 高品質標註通常需要抽查、一致性檢查和回饋迴圈。

3. 自動標註能省時間,但關鍵資料還是要有人把關。

情境判斷

Q1:如果兩個標註員對同一張圖標出不同答案,先懷疑什麼?

先懷疑標註規則不夠清楚,或樣本本身有歧義。

Q2:資料量很大時,標註是不是可以完全交給工具?

不行,工具可以加速,但品質控制還是需要人。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 2 題把資料標註列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本