Perkembangan pesat kecerdasan buatan juga telah meningkatkan permintaan untuk bakat dalam bidang berkaitan. Menurut data platform pengambilan, pada bulan Februari tahun ini, jumlah pengambilan jurutera algoritma, pembelajaran mesin, pembelajaran mendalam dan jawatan lain meningkat dengan ketara tahun ke tahun, di mana permintaan pengambilan untuk jawatan pelabelan data meningkat lebih daripada 50% tahun ke tahun.

Pada masa ini, jurulatih AI terutamanya terlibat dalam kerja anotasi. Dengan lonjakan permintaan pasaran, profesion ini telah menarik ramai pencari kerja rentas sempadan untuk mencurah-curah masuk, dan ia juga telah membawa kepada latihan vokasional yang berkaitan.

Di sebuah institusi latihan untuk jurulatih AI di Shenzhen, pelajar dari semua lapisan masyarakat datang untuk mengikuti kelas.

Menurut orang yang bertanggungjawab ke atas institusi latihan, pada masa ini, jurulatih kecerdasan buatan terutamanya terlibat dalam kerja anotasi, yang boleh dibahagikan kepada anotasi teks, anotasi imej, anotasi suara dan jenis lain, dengan gaji antara 19000 yuan hingga 0 yuan sebulan. Dalam dua tahun kebelakangan ini, perniagaan latihan mereka telah berkembang dari Beijing ke Shenzhen, Hangzhou dan Chengdu, tetapi ini jauh dari memenuhi keperluan pasaran.

　　廣東深圳某人工智慧訓練師培訓機構校長 劉美芳：比如9點開放簡歷，我們同學一個小時之內可以接收到10多個回復，很多HR（人力資源部門）主動向他們打招呼，都不需要去投遞。

Menurut data daripada platform pengambilan, sejak Festival Musim Bunga tahun ini, bilangan jawatan yang direkrut untuk jawatan pelabelan data telah meningkat sebanyak 56% tahun ke tahun. Orang dalam industri mengatakan bahawa dengan perkembangan pesat model bahasa yang besar dan peningkatan bilangan bidang yang terlibat, permintaan untuk jurulatih kecerdasan buatan akan terus meningkat.

Jurulatih AI: Jurulatih dalam Era Digital

Bagaimanakah sebenarnya jurulatih AI berfungsi? Apakah keperluan baharu untuk jurulatih dalam pembangunan model besar yang berkhidmat dalam bidang profesional?

Di Nanshan, Shenzhen, Wilayah Guangdong, seorang jurulatih kecerdasan buatan Huang Peihui dan rakan-rakannya sedang mempraktikkan kesan model besar.

Huang Peihui mengatakan bahawa sebab mengapa model besar dapat menjawab soalan pelanggan dengan tepat adalah kerana lebih daripada 1000 soalan serupa telah dimasukkan ke dalam model besar pada peringkat awal. Bagi mereka, proses menyaring pelanggan untuk bertanya soalan kepada kakitangan perkhidmatan pelanggan adalah dengan melakukan "anotasi", dan "soalan" ini adalah "data", juga dikenali sebagai "korpus".

Sebagai tambahan kepada model besar untuk perkhidmatan awam, semakin banyak model kecerdasan buatan besar yang berkhidmat dalam bidang profesional juga berkembang pesat. Di Hospital Gabungan Keenam Universiti Sun Yat-sen di Guangzhou, Huang Yan, pengarah Jabatan Patologi, mengarahkan kakitangan R&D model perubatan besar untuk melabelkan slaid patologi digital dan menyediakan data latihan untuk model patologi besar.

Untuk memastikan keselamatan dan ketepatan data, latihan model besar sedemikian mesti diperiksa oleh profesional seperti doktor.

Sun Qigong, naib presiden syarikat teknologi R&D model berskala besar perubatan: Secara amnya, pakar perubatan kanan diperlukan untuk membimbing atau melabelkan data secara peribadi, dan salah diagnosis atau diagnosis terlepas mungkin berlaku jika tanda itu salah.

Di samping itu, untuk mengurangkan berlakunya "halusinasi AI", iaitu, kandungan yang dijana oleh model besar tidak sepadan dengan data sebenar dan menyimpang daripada arahan pengguna, semua model besar menegak sedang membina mekanisme pengesahan anotasi berbilang peringkat dengan penyertaan pakar dalam bidang berkaitan, dan menukar pengetahuan dan pengalaman mereka kepada parameter latihan utama untuk meningkatkan ketepatan model besar.

Sumber: CCTV Finance