1. Инструменты предиктивного аннотирования
Вместе с расширением рынка искусственного интеллекта и машинного обучения растут и требования к аннотациям данных. Всё большее внимание получают инструменты предиктивного аннотирования, т. е. инструменты, позволяющие автоматически распознавать и размечать элементы на основании схожих аннотаций, созданных вручную. Например, в рабочем процессе подготовки компьютерного зрения стал бы очень ценным дополнением инструмент, способный аннотировать последующие кадры после ручного аннотирования нескольких первых кадров. Вмешательство человека всё равно может требоваться в виде мелких правок, однако в целом сэкономленные время и труд окажут огромное влияние на скорость обработки. Разработка предиктивного инструментария с широкими возможностями станет ключевым аспектом экосистемы аннотирования данных.
2. Гибко настраиваемая отчётность
Процесс аннотирования состоит из множества рабочих процессов, особенно в случае взаимодействия с крупными командами специалистов по аннотированию. Для анализа продуктивности процесса и принятия продуманных решений необходима подробная отчётность (в особенности о качестве и объёме выполненных работ). Использование API и инструментов в open source позволит полностью настраивать отчётность при помощи фильтров с возможностью подключения drag and drop. Отчёты с подробностями вплоть до уровня аннотирования сотрудника станут частью набора инструментов отчётности. Для динамического устранения колебаний в нагрузке будет использоваться мониторинг активности персонала при помощи отчётности в реальном времени и систем распределения ресурсов. Ценность таких инструментов заключается и в повышении эффективности процесса аннотирования благодаря выявлению паттернов и анализа трендов с течением времени, что позволяет экономить средства.
![](https://static.tildacdn.com/tild6231-3939-4366-a330-633263616535/x9fpftkkfpnuwo94gaq0.jpeg)
3. Повышение внимания к контролю качества
В будущем повысятся требования к контролю качества масштабных процессов обработки данных. Благодаря появлению новых решений для разметки данных на этапе контроля качества обучения модели будет распознаваться и обрабатываться большее количество пограничных случаев. Будут создаваться команды, занимающиеся исключительно контролем качества; они будут состоять из специалистов, имеющих глубокое понимание данных и их сути. Эти специализированные команды будут способны работать без подробных инструкций и целиком сосредоточатся на выявлении и устранении проблем в огромных наборах данных.
![](https://static.tildacdn.com/tild3437-3535-4034-b638-323531393362/x9fpftkkfpnuwo94gaq0.jpeg)
4. Использование узких специалистов
В процессе распространения применения ИИ на новые отрасли будет расти спрос на команды аннотирования узкоспециализированных данных. Прошедшие особый курс обучения команды будут использоваться в узкоспециализированных областях здравоохранения, финансовой отрасли и государственного сектора, постепенно наращивая свою компетентность. Узконаправленная, но глубокая специализация сотрудника, занимающегося разметкой данных, повышает эффективность всего процесса аннотирования, от освоения инструкций до времени подготовки обработанных данных.
![](https://static.tildacdn.com/tild3136-3665-4434-a336-383163616331/x9fpftkkfpnuwo94gaq0.jpeg)
5. Экосистема специализированных партнёров
В сфере аннотирования данных экосистема надёжных партнёров уже формируется, и в будущем она по-прежнему будет необходима. Способность быстрого выбора специализированных навыков в большой экосистеме будет критически важной задачей для реализации ИИ. Когда каждый поставщик услуг в рамках экосистемы будет предоставлять специализированную экспертизу в разметке данных, создании метаданных или в организации гибких и продуктивных рабочих процессов, понадобится меньше времени на решение уже решённых задач. Когда заказчик работает с компанией из экосистемы, она может давать ему рекомендации по оптимальным сочетаниям специализированных инструментов и навыков под конкретный проект и рабочий процесс.
![](https://static.tildacdn.com/tild3763-3638-4233-a433-633764633838/x9fpftkkfpnuwo94gaq0.jpeg)