在人工智能浪尖的数据标注公司如何乘势而起(二)

在上一章中我们着重分析了“准确判断数据标注需求公司的需求方向”、“精准定位数据标注需求公司的拓展范围”这两点，在此章中我们着重总结一下“如何维系与数据标注需求公司之间的渠道关系”、“与数据标注需求公司合作禁忌”这两个话题。

言归正传，我们先浅谈一下“如何维系与数据标注需求公司之间的渠道关系”。说到“如何维系与数据标注需求公司之间的渠道关系”总是绕不开两点。

1.如何做人 如何做人这其实是一个非常宽泛的概念，这里我不展开来说。所以在如何做人环节我们这里只总结一些在面对亲朋好友、领导同事、客户合作商之间有共通点的特征加以说明。

     态度真诚 真诚其实就是如何做人的根基，因为真诚可以通过时间转化为信任。所以不论是第一次打交道，还是已经是长久的客户关系，保持真诚，通过真诚建立起来的信任有时候甚至可以比肩契约精神。

     言而有信 其实我们每个人受限于个人阅历的不同，很难做到说到做到。但是对于甲方客户，约定的工期、约定好的某件事情，一定切记不要轻易改变。说到做到，对客户的体验来说是重中之重。

     成人之美 对于甲方的需求，是要保持一种积极协助甲方解决问题的状态，因为很多做算法外包的AI公司其实对于数据标注的经验来说还不一定有数据标注公司丰富，一方面是接触的数据种类和场景有限，另一方面是算法工程师也没有大量的时间进行数据标注工作。所以，在规则敲定后还是需要在正常上传数据时保持一个良好的沟通状态，这种协助的态度会快速的丰富甲方对于获得数据的认知，进而更好的进行相关合作。

2.如何做事 如何做事在数据标注行业有比较明显的特征，下面我们就列举几个展开来说。

     加强专业领域知识学习 因为很多AI公司都是做算法外包的，本身不涉及大量数据的标注工作，但是标注数据的场景是千变万化的。比如：在无人驾驶领域的车道内元素标注，就会有各种各样规则文档中并没有涉及的情况出现，如果有相关的AI知识储备作为支撑，与AI公司的工程师沟通起来就会事半功倍，同时会让公司脱颖而出，被客户许以专业的美名。

     认真仔细 标注的数据作为甲方训练模型识别的关键，标注结果的优劣是影响甲方模型识别正确率的重要参数，而识别正确率直接影响了甲方的行业竞争能力，所以根据甲方的标注文档进行认真仔细的处理就显得尤为重要。

     能够吃苦耐劳 像所有行业都有简单的工作和复杂的工作一样，数据标注也有简单的标注和复杂的标注，复杂的标注耗费的培训时间更多，更需要大量的沟通，这无疑在公司运营中都是成本。在能够通过加班获取客户的时候，一定不要吝惜时间，因为AI公司本身就是属于高成长公司的一类，看似眼前很小的标注数据集，在未来只要AI公司成长了，数据需求都是会成几何增长的势头。

接下来，我们谈谈“与数据标注需求公司合作禁忌”。说到禁忌当然是在合作中最需要注意的问题，这里我们浅谈几点。

     经验论 经验论就是拿A公司（已结项）的标注经验直接套用到B公司的标注实施中，这里的套用经验主要是指标注类型和场景相似的标注需求。因为涉及到培训、沟通等一系列成本问题，很多项目经理一看到B公司的需求和A公司的很相似，为了节省时间，习惯性的就把A公司的需求作为参考，更有甚者对B公司的需求文档都不会仔细参阅，直接以经验安排运营。因为任何AI公司对于数据标注结果的需求都是有差异的，在没有被AI行业确立为何种标注之前，这种差异化是长期存在的，那么如上经验论的风险不言而喻，只要返工一次，基本上就无利润可言。

     削减质检成本 一般标注公司质检员（全检）与标注员的比例是1:5-1:8,超过1:8这个阈值，全检的质量就会明显下降，最终会导致交付到需求公司手中的数据大概率出现问题，所以在公司运营中确实需要削减成本时，切记不要拿质检开刀，不然得到的一定是惨痛的教训。

     盲目贪大 这个盲目贪大主要是指在与AI公司的合作中碰到有海量数据量需要处理时，标注公司喜欢联合周边同行，共同协作拿下项目。这种看似协同共赢的案例其实为后续埋下了重大的隐患。首先，数据质量的把控就非常的耗费人力和时间，因为涉及到多个公司的协同完成，同公司内部标注人员的质量和效率都是参差不齐，更别说多个公司多个标注员协同完成；其次，涉及数据修改后，周期会非常拖沓，因为沟通和纠错成本其实已经远远超过标注成本本身；最后，容易推诿扯皮，因为多家协作一定会出现不同人之间传达规则上的误差，最后就会导致一家一个说法。

以上就是这章的全部内容，我们会在接下来的时间内持续更新更多精彩的内容。欢迎有兴趣的朋友持续关注 觉醒向量丨awkvector官网及Blog更新。

©著作权归作者所有：来自作者觉醒向量数据标注的原创作品，如需转载，请注明出处，否则将追究法律责任