Pekerja pelabelan data: melatih AI, digantikan oleh AI

Pertumbuhan dan eliminasi terjadi secara bersamaan.

Pengarang｜Ma Hui

Sunting｜Chestnut

Sumber gambar: Dihasilkan oleh alat AI Tak Terbatas

** Prospek dan kehancuran ada pada saat yang sama, dan praktisi pelabelan data tidak pernah sekontradiktif ini. **

Dai Yan, seorang Mongolia Dalam berusia 30 tahun, memulai bisnisnya awal tahun ini dan membentuk tim pelabelan online yang terdiri dari hampir 30 orang. Sebelumnya, Daiyan mengerjakan platform crowdsourcing untuk anotasi data selama dua tahun. Dia, yang bisa disebut sebagai "pekerja terampil", menantikan sekaligus gugup dengan situasi saat ini.

Dia telah memperhatikan ChatGPT sejak awal tahun. Dari pesatnya pertumbuhan jumlah pendaftaran perusahaan AI, Dai Yan melihat ledakan industri AI dan peluang kewirausahaan pelabelan data. **Data Tianyancha menunjukkan bahwa pada kuartal pertama tahun ini saja, 170.000 perusahaan terkait kecerdasan buatan baru terdaftar, dan jumlahnya sekarang menjadi 2,67 juta. **

Dia membayangkan bahwa dia dapat mengikuti industri dan perusahaan akan tumbuh hingga skala 100 orang di masa depan. **Tetapi status quo saat ini sulit untuk mendukung harapannya: lingkaran pelabelan data akan segera ditembus - sejumlah besar kebutuhan pelabelan, pekerja pelabelan dan perantara akan bergabung bersama, dan harga satuan akan lebih rendah. **

Sama seperti tim teknik yang tidak dapat menghubungi Pihak A yang memiliki kebutuhan konstruksi, dan hanya dapat mengambil alih proyek dari kontraktor, gaji yang dihubungi oleh **Daiyan semakin rendah saat proyek berpindah tangan. **Dia menolak melakukan proyek pelabelan di mana dia hanya bisa mendapatkan 30 yuan sehari.

Pada saat yang sama, ** Daiyan juga menghadapi rasa malu karena tidak ada promosi karir di industri pelabelan, tidak ada jaminan kontrak, dan tidak ada cara untuk mengeluh karena tertunda. **Dia menertawakan dirinya sendiri: "Kami adalah pekerja migran data di era baru."

Tapi itu bukan keseluruhan cerita. ** Masalah yang lebih besar adalah pelabelan otomatis juga menghabiskan satu-satunya proyek yang mereka miliki. ** AI yang dilatih oleh pelabel data seperti Dai Yan sedang mempelajari dan melabeli dirinya sendiri di bawah pengawasan manusia.

Pelabelan otomatis akan sangat mengurangi biaya perusahaan, dan telah menjadi arah yang paling menjanjikan di pasar pelabelan data.

Daiyan harus bersiap untuk "AI dapat sepenuhnya menggantikan manusia". Dia memimpin tim untuk mengerjakan proyek anotasi alat bantu mengajar dan anotasi awan titik 3D dalam kategori anotasi teks secara bersamaan. Salah satunya adalah teks dan yang lainnya adalah video gambar. Dai Yan telah membuat rencana jika sebuah proyek dibatalkan oleh AI, dia akan segera memimpin tim untuk bertransformasi ke bidang lain.

Selain itu, ukuran tim harus dikurangi. Dai Yan mencoret skala perusahaan 100 orang yang dibayangkan dalam benaknya. Dia percaya bahwa pada akhirnya, hanya tim berpengalaman yang terdiri dari 20 orang yang dapat dipertahankan.

**AI yang dilatih oleh pelabel data ini membuat mereka bermimpi untuk mendapatkan lebih banyak sambil memaksa mereka merencanakan untuk disubversi. **

1. Menandai, biarkan AI membuka matanya untuk melihat dunia

Agar mesin dapat memahami teks, suara, dan gambar seperti manusia, manusia telah menciptakan rantai pembelajaran mesin: mengumpulkan gambar fisik dan suara di dunia fisik, memberi label dan membersihkan data, mengubah data menjadi serangkaian kode dan mengirimkannya. ke mesin.

Sarjana AI percaya bahwa bayi berusia tiga tahun "menembak" ratusan juta gambar melalui mata mereka, berulang kali memahami dunia. Jadi selama data yang cukup dimasukkan ke dalam mesin, mesin tersebut juga dapat belajar membaca dan mengenali kalimat, dan akhirnya memahami makna mendalam di balik bahasa tersebut.

Ada 15 juta gambar di atlas berlabel ImageNet. Kumpulan data ini telah membantu banyak perusahaan AI mencapai terobosan dalam visi komputer, seperti pengenalan wajah dan pencarian gambar.

Untuk membangun ImageNet, hampir 50.000 pelabel data dari 167 negara di seluruh dunia bekerja sama selama dua setengah tahun, semuanya berasal dari platform crowdsourcing Mechanical Turk.

Persyaratan pelabelan sangat sederhana. Tugas umum MTurk adalah membedakan warna foto, atau mengklasifikasikan hewan yang muncul dalam gambar, atau menggunakan kotak untuk membingkai objek yang dipilih dan memberi label nama mereka: ini kue, ini mobil, Itu awan dan sebagainya.

Kecerdasan Graf/Integer

200.000 pekerja paruh waktu di platform tersebar di Afrika dan Asia Tenggara, di mana biaya tenaga kerja rendah, dan bahkan membentuk "desa anotasi data" yang khas. Data yang mereka tandai mendukung eksplorasi perusahaan teknologi di AI.

Di Cina, jutaan anotator didistribusikan di kota-kota tingkat kedua dan ketiga di Guizhou, Shanxi, Shandong, Henan, dan provinsi lainnya, dan secara bertahap menembus ke kabupaten dengan biaya tenaga kerja yang lebih rendah. Mereka mengandalkan platform crowdsourcing online, atau bergabung dengan perusahaan pelabelan data offline dan basis pelabelan. **

Konten anotasi dibagi menjadi teks, gambar, dan suara sesuai dengan adegannya, sesuai dengan fungsi membantu mesin memperoleh literasi, pengenalan gambar, dan mendengarkan suara.

Proyek anotasi awal berfokus pada perusahaan Internet, terutama menganotasi suara dan teks. Sekarang beralih ke perusahaan self-driving untuk memberi label adegan 3D yang diperoleh dengan pemindaian lidar, seperti pelabelan titik cloud; atau lebih banyak petunjuk pelabelan teks dan suara vertikal: untuk membantu perusahaan pendidikan menyediakan data pelabelan tambahan pengajaran untuk model besar; atau untuk institusi medis Model besar menyediakan data medis yang dikumpulkan.

Saat AI memasuki era 2.0, ChatGPT memukau para investor, pengusaha, dan pengusaha.Ekspektasi semua orang terhadap AI tidak hanya sekedar mengenali informasi teks, suara, dan gambar secara kaku. Orang-orang juga berharap AI dapat benar-benar memahami hubungan antara hal-hal seperti manusia, mengenali perbedaan halus dan emosi di balik tindakan, serta secara aktif membedakan dan mengumpulkan informasi.

Misalnya, biarkan mobil self-driving membedakan kantong plastik kosong di depannya, bukan batu dengan warna dan ukuran yang sama; biarkan kamera di sebelah kolam renang tidak lagi hanya merekam apa yang terjadi di tepi kolam, tetapi pahami apa yang terjadi terjadi, dan ketika seseorang menenggelamkan Waspada.

Ini masih perlu bergantung pada anotasi data, dan mengajukan persyaratan yang lebih tinggi untuk anotasi-lebih vertikal, lebih akurat, dan lebih ekonomis.

Maraknya pasar pelabelan juga dimulai dari sini.

2. "Terlalu banyak pesanan yang harus dipenuhi"

Sulit untuk memiliki data yang secara langsung menjelaskan lonjakan permintaan akan anotasi baru, tetapi tidak sulit untuk menilainya. Karena pada kuartal pertama tahun 2023 saja, China telah menambahkan 170.000 perusahaan kecerdasan buatan, dan selama itu adalah perusahaan yang menggunakan AI, pasti ada permintaan untuk pelabelan data.

Permintaan dengan cepat menyebar ke pasar pelabelan data. Di bilah pos tempat para praktisi anotasi data berkumpul, lebih dari selusin pos perekrutan proyek dapat disegarkan setiap hari, termasuk tetapi tidak terbatas pada anotasi teks, ulasan topik, anotasi video penjualan drone, batang deteksi 2D, awan titik 3D, dll. Anotasi item untuk video teks-ke-gambar.

Seorang pelabel data yang telah berkecimpung di industri ini selama bertahun-tahun telah memperhatikan bahwa proyek pelabelan kendaraan tak berawak tahun ini telah meningkat, dan kewirausahaan model skala besar di bidang vertikal yang ditimbulkan oleh ledakan AI2.0 telah memungkinkan proyek pelabelan teks yang awalnya menurun. untuk dibagi lagi menjadi trek yang berbeda. , juga meningkatkan permintaan untuk pelabelan data khusus.

Didorong oleh permintaan, Daiyan bukan satu-satunya yang membentuk tim baru untuk mendulang emas. Zhang Wei dari Dongying, Provinsi Shandong juga mulai mengabdikan dirinya pada pelabelan data pada akhir tahun lalu, dan berkembang menjadi tim kecil yang terdiri lebih dari selusin orang dalam setengah tahun. Mengandalkan subsidi dan dukungan dari pemerintah daerah, perusahaan Zhang Wei tidak hanya mendapat kantor gratis, tetapi pemerintah juga membantu menyalurkan sumber daya dari Partai A.

Ada banyak pesanan proyek, dari proyek awal lebih dari 100.000 yuan hingga pesanan terbaru 400.000 yuan, tugas pengiriman yang mendesak membuat Zhang Wei lebih aktif mencari pekerja pelabelan: beberapa hari yang lalu, Zhang Wei membeli 6 komputer lagi hanya dalam satu hari.

Di Zhengzhou, Henan, platform crowdsourcing untuk anotasi data dipindahkan ke gedung perkantoran dua lantai yang dapat menampung 100 orang. Mereka menulis posisi perusahaan di papan nama di pintu dan di kantor: "basis penelitian dan pengembangan data besar kecerdasan buatan AI" "pembersihan data berulang adalah agar AI Anda menjadi lebih pintar".

"Terlalu banyak pesanan untuk proyek pelabelan yang harus diselesaikan," kata penanggung jawab.

Upacara relokasi perusahaan pelabelan data

Sumber gambar/disediakan oleh narasumber

Uang panas juga sudah lama masuk ke kantong perusahaan pelabelan. Menurut data, harga saham Haitian AAC, perusahaan terkemuka, naik hingga 4 kali lipat dari Maret hingga Mei tahun ini.

Menurut 36 berita Krypton, sejak awal tahun ini, lebih dari selusin platform pelabelan data di babak B dan sebelumnya secara kolektif menghasilkan penilaian tinggi dengan peningkatan hampir 100%. Sejak paruh kedua tahun lalu, perusahaan pelabelan otomatis secara berturut-turut mendapatkan pembiayaan baru.

Pada September 2022, Borden Intelligence menerima pembiayaan 10 juta yuan; pada Desember, Stardust Data menyelesaikan pembiayaan putaran A sebesar 50 juta yuan. Sudah empat setengah tahun sejak pembiayaan terakhir pada Juni 2018.

Pada April 2023, perusahaan solusi pelabelan data "Kaiwang Data" menerima putaran baru pembiayaan strategis; pada bulan Juni, perusahaan data AI "Integer Intelligence" menerima puluhan juta putaran Pre A pembiayaan.

Mereka sangat antusias memainkan slogan untuk mengganti pelabelan manual: "Rekonstruksi produksi label data", "Lini produksi otomatis + tenaga kerja skala besar", "Hancurkan mode manual pelabelan mengemudi otomatis".

Jelas, pasar modal juga memperhatikan bidang yang sedang berkembang ini lagi.

3. Lebih bervolume dan lebih ketat

Rantai pelabelan data terdiri dari tiga bagian.

Hulu: perusahaan pelabelan data dengan 1~150 karyawan, orang yang tersesat secara online, dan bengkel kecil.

Midstream: Penyedia layanan data, satu adalah platform crowdsourcing perantara yang melakukan hulu dan hilir, dan yang lainnya adalah perusahaan memilih untuk membangun basis pelabelan mereka sendiri untuk investasi yang stabil di industri.

Hilir: Perusahaan teknologi, perusahaan industri, perusahaan AI, dan unit penelitian ilmiah Perusahaan internet mendominasi sekitar tahun 2018, dan sekarang mereka dialihkan ke perusahaan mobil dan perusahaan penggerak otonom.

Industri umumnya mengadopsi model subkontrak, yaitu perusahaan pihak pertama mengeluarkan penawaran, dan penyedia layanan pihak ketiga berpartisipasi dalam penawaran, setelah penawaran berhasil, masuk ke eselon pemasok perusahaan, dan pemasok inti dapat menikmati hak untuk memilih tugas prioritas dan lebih banyak pesanan.

Persyaratan perusahaan untuk pemasok inti adalah memiliki tim pengiriman minimal 30 orang, pengalaman pengiriman pesanan yang matang, membangun sistem pelatihan, dan kemampuan untuk mengontrol kualitas dan kuantitas pengiriman. Tim produksi yang stabil pada akhirnya mengarah pada kutipan rendah yang membuat perusahaan lebih kompetitif.

Namun, keunggulan harga rendah yang dibawa oleh tim manajemen dan kontrol telah terganggu. "Penawaran tahun ini sengit!" Seorang penyedia layanan mengatakan kepada "Jiazi Guangnian", "Kami menawar 200 yuan untuk sebuah proyek, dan beberapa orang menawar 80 yuan sehari."

Pada akhirnya proyek dimenangkan oleh tim dengan penawaran terendah, namun akhirnya kembali ke tim yang lebih matang. "Mereka dipindahkan kembali kepada kami oleh Pihak A ketika mereka tidak bisa menyelesaikannya, tetapi harganya tidak bisa naik lagi."

Karena tim online Daiyan tidak langsung menghubungi Pihak A. Oleh karena itu, situasi kisruh multi level cladding dan harga laminated di pasaran membuat mereka merasa tertekan.

Pelabelan data adalah industri berbasis sumber daya, dan siapa pun yang dapat bekerja sama dengan Pihak A akan mendapat keuntungan. Dai Yan mengungkapkan bahwa setelah mendaftarkan perusahaan, beberapa individu secara salah mengklaim bahwa mereka memiliki tim profesional yang terdiri dari 40-50 orang dan berpartisipasi dalam penawaran dengan harga yang sangat rendah.Setelah memenangkan proyek, mereka membaginya menjadi 4-5 saham dan membagikannya mereka ke tim yang berbeda. Tim dibagi lebih jauh ke bawah, dan komisi dikumpulkan lapis demi lapis. Perantara mendapatkan selisih, dan harga satuan yang didistribusikan ke pekerja pelabelan data semakin rendah. **

Selama seseorang mengambil piring, itu akan terus berputar ke bawah.

Daftar harga yang diperoleh oleh "Jiazi Guangnian" menunjukkan bahwa dari pelabelan 2D hingga pelabelan awan titik laser 3D, harga unit item pelabelan umumnya 0,5 hingga 1,5 yuan per bingkai. Dai Yan pernah menerima harga bingkai tunggal dengan diskon 50%, "setidaknya empat atau lima tangan telah ditransfer."

**Introversi harga satuan langsung mengarah pada penyusutan gaji staf pelabelan. **Tim Daiyanhe adalah paruh waktu penuh waktu. Sebagian besar anggota tim adalah ibu, mahasiswa, pekerja lepas, dan siswa sekolah menengah kejuruan. Mereka bekerja 6 jam sehari. Mempertahankan keadaan ini, Daiyan akan memiliki pendapatan bulanan sebesar 4 hingga 5 ribu yuan selama epidemi pada tahun 2022.

“Jika Anda memiliki komputer dan listrik, Anda dapat mengoperasikannya.” Ini adalah ungkapan umum yang menarik dalam poster rekrutmen pelabelan data. Di masa lalu, ini pernah menjadi keuntungan paling signifikan dari industri pelabelan data. Tetapi hari ini keunggulan ini telah menyebabkan seluruh industri jatuh ke dalam involusi. Sekarang penghasilan bulanan Daiyan hanya 2-3 ribu yuan.

Sementara pendapatan turun, beban kerja tidak. Sebaliknya, pekerjaan pelabelan data lebih kompleks dan detail.

Praktisi senior anotasi data merindukan pasar anotasi di era Internet: harga satu frame tiga kali lebih tinggi, dan jumlah itemnya besar. Sebuah tim yang terdiri dari 60-70 orang dapat memperoleh penghasilan bulanan sebesar 300.000 yuan. "Sekarang pasar penuh dengan proyek dengan nilai keluaran (nilai yang dihasilkan oleh satu orang per hari) kurang dari 100 yuan, yang dulunya mencapai ratusan dolar sehari." Seorang praktisi berkata.

Saat itu, pengoperasian proyek masih sederhana dan tidak ada persyaratan, seperti menandai pemandangan 2D untuk kendaraan tak berawak, dan saat menggambar bingkai pada kendaraan di gambar, asalkan bisa dibingkai, tidak ada persyaratan. .

**Tapi sekarang berbeda. "Kebugaran" adalah kriteria penerimaan terpenting untuk Pihak A. ** "Tahun lalu, kesalahannya harus 5-7 mm, dan tahun ini akan menjadi 3-5 mm. Persyaratan kesalahan semakin kecil dan semakin kecil," kata Dai Yan.

Sarjana kecerdasan buatan Wu Enda telah berulang kali menekankan bahwa nilai kecerdasan buatan hanya dapat dirilis dengan data berkualitas tinggi berlabel Semakin tinggi data berkualitas, semakin cepat pengembangan kecerdasan buatan.

Dalam data berlabel kendaraan tak berawak, dinyatakan sebagai tingkat kecocokan antara bingkai persegi panjang dan objek yang ditandai.Semakin tinggi tingkat kecocokan, semakin tinggi akurasi algoritme, dan semakin tepat algoritme dapat mengontrol kendaraan .

Item anotasi teks berkualitas tinggi tercermin dalam kebenaran pemahaman semantik dan kecepatan menjawab pertanyaan yang benar. Semakin tinggi tingkat yang benar, semakin pintar model besar yang dilatih.

Tangan terampil dapat memastikan pengiriman data yang cepat dan baik. Daiyan pernah meminta seorang pemula untuk ikut memeriksa apakah soal matematika yang diselesaikan oleh ChatGPT sudah lengkap, apakah logikanya sudah benar, dan apakah bahasanya bisa dipahami oleh siswa sekolah dasar. 7.500 data yang ditandai oleh pemula harus dikerjakan ulang oleh Pihak A karena tingkat akurasinya terlalu rendah.Dai Yan dan rekan-rekannya membutuhkan waktu lebih dari sepuluh hari untuk memperbaikinya.

Pelabelan data semakin bukan pekerjaan tanpa ambang batas. Anotasi suara yang kompleks, produksi anotasi kumpulan data medis, hukum, keuangan, dan profesional lainnya membutuhkan profesional dengan cadangan pengetahuan subjek untuk melakukan anotasi profesional.

Dai Yan percaya bahwa, dengan mengambil proyek kendaraan tak berawak sebagai contoh, dibutuhkan waktu 3 bulan bagi pendatang baru untuk mahir dalam pelabelan 2D, dan 4 hingga 6 bulan untuk mahir dalam pelabelan 3D.

Latihan semacam ini mengacu pada melatih keakuratan menggambar bingkai, menggunakan mouse untuk menggambar bingkai persegi panjang pada halaman pelabelan komputer sekaligus, yang dapat secara akurat menutupi objek yang ditandai, tanpa menginjak garis, tanpa kehilangan poin, dan bahkan mulus.

Ahli anotasi gambar/data menunjukkan masalah dalam anotasi

Hanya saja ketika mesin mulai belajar dengan sendirinya dan menggantikan manusia untuk memberi label pada mesin, apakah keterampilan yang dihabiskan orang untuk berlatih masih bermakna?

4. Alternatif krisis

Dai Yan menyadari bahwa AI sedang mendekat, dan itu ada dalam proyek anotasi gambar yang dia lakukan beberapa waktu lalu.

Ini adalah proyek lama yang telah dikerjakan Daiyan selama dua tahun - pengenalan peta. Pelabel data perlu mengenali teks dalam gambar dan mencetaknya, harganya 8 sen per buah. Data yang ditandai atas nama ekstensi dimasukkan ke dalam model pengenalan gambar. Model sekarang mahir mengenali teks dalam gambar. Pekerjaan pelabelan Daiyan mulai direduksi menjadi revisi dan ulasan. Kesulitannya menurun, dan harga satuan yang ditandai juga menurun.

** AI dilatih oleh manusia dengan pelabelan menggantikan pekerjaan pelabelan manusia. **Dalam laporan survei Universitas Zurich, para peneliti menemukan melalui pengukuran aktual bahwa kemampuan pemrosesan ChatGPT dalam 15 tugas pelabelan lebih tinggi daripada crowdsourcer. **Progres penyematan model besar ke dalam platform crowdsourcing juga telah dipercepat. **Penelitian selanjutnya oleh Institut Teknologi Federal di Lausanne menemukan bahwa lebih dari 30% anotator crowdsourced telah menggunakan model besar saat memproses anotasi teks.

AI tidak diragukan lagi lebih menghemat waktu dan tenaga daripada tenaga kerja manual: para peneliti mengatakan bahwa biaya unit ChatGPT hanya setara dengan 1/20 dari MTurk.

Daiyan pun bersiap lini bisnis ini akan digantikan oleh "AI yang lebih sempurna" sewaktu-waktu. Dia mempertaruhkan masa depan pada label self-driving yang lebih membutuhkan keterampilan.

Tapi pelabelan mengemudi otonom juga diserbu oleh AI. Dibandingkan dengan metode menggambar bingkai manual, pelabelan otomatis hanya membutuhkan model besar bawaan.Setelah pengaturan parameter, bingkai persegi panjang yang awalnya membutuhkan pelabelan manual akan dihasilkan secara otomatis. Satu-satunya masalah saat ini adalah rangka persegi panjang yang dihasilkan memiliki masalah kualitas seperti menginjak garis dan rendahnya kesesuaian, yang memerlukan pemeriksaan manual satu per satu.

Peningkatan efisiensi telah mengejutkan perusahaan mobil. Ideal menggunakan model besar 2.0 untuk kalibrasi otomatis, yang 1000 kali lebih efisien daripada manusia; Tesla telah secara aktif mempromosikan kemajuan pelabelan otomatis, seperti membatalkan 200 video pelabelan Tesla pada Juni 2022 untuk meningkatkan sistem bantuan karyawan Amerika, karena Tesla's kemampuan pelabelan otomatis telah sangat ditingkatkan, pelabelan 10.000 video kurang dari 60 detik, hanya membutuhkan model besar untuk dijalankan selama seminggu, bukan pelabelan manual selama beberapa bulan.

Lin Qunshu, pendiri perusahaan data AI Integer Intelligence, mengatakan semakin banyak perusahaan mobil dan perusahaan AIGC yang menggunakan produk model skala besar untuk pelabelan otomatis, dan pendapatan mereka meningkat secara signifikan. Langkah terbaru mereka adalah mendirikan cabang penelitian dan pengembangan di Singapura.

**Namun, penyedia layanan pihak ketiga tidak terlalu optimis dengan pertumbuhan pelabelan otomatis. ** Manajer proyek platform crowdsourcing di Henan mengatakan bahwa pelabelan otomatis tidak dapat menggantikan lebih dari 60% persyaratan pelabelan, dan hanya dapat digunakan sebagai alat pelabelan tambahan untuk memproses data tunggal atau spesifik dan meningkatkan efisiensi manusia.

Manajer produk dari perusahaan pelabelan data lain percaya bahwa pelabelan otomatis hanya dapat memfilter data dasar yang sederhana, dan tidak dapat secara akurat mengidentifikasi objek dari adegan yang kompleks dan kontroversial seperti manusia. Ini juga yang menjadi alasan mengapa pasar pelabelan data masih didominasi oleh data pelabelan kendaraan otonom.

Namun, semua orang setuju bahwa pelabelan data di masa mendatang akan beralih dari tenaga kerja ke teknologi.

Singkatnya, "diperas sampai mati" oleh teman sebaya, atau "diperas sampai mati" oleh teknologi. Tetapi jelas tidak mungkin untuk duduk diam, dan perusahaan pihak ketiga yang menandai data sedang mencari jalan keluar di masa mendatang.

Rencana Daiyan adalah mengikuti pasar, tetap waspada, memberhentikan staf kapan saja, dan pada saat yang sama mengembangkan ke arah alat pelabelan otomatis. Pendiri platform crowdsourcing mengatakan ketika berkomunikasi dengan rekan-rekannya bahwa ke depan, kita tidak boleh menumpuk tenaga kerja, tetapi harus memiliki kemampuan penelitian dan pengembangan.

Bagaimana dengan individu? Jalur karir yang beredar di industri ini adalah pelabel pemula-pelabel berpengalaman-pelabelan administrator proyek/manajer-analis data perusahaan pihak A, dan akhirnya mencapai promosi dengan gaji bulanan puluhan ribu.

Tak satu pun dari pelabel data yang Dai Yan tahu mengarah ke arah ini. Mereka tetap di tempat mereka atau berhenti. Kasus terbaik adalah membangun tim pelabelan mereka sendiri seperti yang dilakukan Dai Yan, tetapi dia tidak merasa lebih mudah.

Di satu sisi, ada peningkatan permintaan proyek yang disebabkan oleh tren AI, dan di sisi lain, ada penawaran yang lebih kacau, nilai output per kapita yang lebih rendah, dan AI yang berkembang pesat. Kedua emosi itu saling terkait, AI akan menghadirkan peluang tak terbatas, dan AI juga akan melenyapkan "kita".

(Atas permintaan narasumber, nama-nama dalam artikel semuanya adalah nama samaran)