Bahagian bawah piramid AI: 'annotator data' memperoleh $15 sejam
Aplikasi kecerdasan buatan sudah cukup popular ChatGPT kelihatan seperti "sihir yang bertindak balas kepada permintaan", tetapi di belakangnya sebenarnya adalah sumbangan industri intensif buruh.
Menurut laporan media seperti CNBC dan Gizmodo, OpenaAI telah mengupah sejumlah besar tenaga kerja penyumberan luar untuk membantu mereka menyelesaikan "tugas pelabelan data yang diperlukan" - iaitu, melabelkan data ialah "pelabelan data" "ahli", "annotator data", atau "jurulatih AI".
Pelabelan yang dipanggil bermaksud meletakkan label yang berbeza (suara/gambar/teks, dll.) pada sampel data yang akan dianalisis oleh AI untuk membantu model AI mengenal pasti item tertentu dalam set data dengan lebih baik dan bertindak balas terhadap permintaan pengguna lebih cepat.
Ini adalah kerja paling asas latihan model AI.
Tetapi kerja ini sudah pasti membosankan ia melibatkan banyak kerja berulang Pengendali hanya perlu mengenal pasti jenis sampel data setiap hari dan kemudian memilih label yang berbeza.
Alexej Savreux, pengulas data yang ditemu bual oleh CNBC berkata:
Kami adalah pekerja, tetapi tanpa kami tidak akan ada sistem bahasa kecerdasan buatan.
Anda boleh mereka bentuk semua rangkaian saraf yang anda inginkan, anda boleh melibatkan semua penyelidik yang anda inginkan, Tetapi tanpa tag, anda tidak mempunyai ChatGPT. Anda tidak mempunyai apa-apa.
Lebih penting lagi, Pekerjaan sedemikian membayar $15 sejam—lebih tinggi daripada gaji minimum di setiap negeri di Amerika Syarikat, tetapi tidak jauh lebih tinggi (Kansas City, tempat Savreux terletak, Gaji minimum $7.25) .
Pada masa ini, syarikat berkaitan AI domestik turut mengambil pekerja untuk jawatan tersebut.
Media teknologi "Whiplash" menegaskan dalam artikel pada bulan Mac bahawa berbanding dengan gaji tinggi dalam industri AI, gaji pencatat data tidaklah tinggi.
Penyumberan luar tugas berulang bukanlah fenomena unik untuk industri kecerdasan buatan."Sekeping gambar berharga 9 sen, dan saya boleh membuat 100 gambar sehari Lili berkata bahawa jika mereka semua layak, mereka boleh mendapat 90 yuan sehari."
"Label yang berbeza mempunyai harga yang berbeza." He Wenxin berkata bahawa gajinya pada masa itu adalah sekitar 3,000. Gaji bulanan pencatat data asas kebanyakannya antara 2,000 dan 4,000 yuan, bagaimanapun, disebabkan oleh kelajuan dan kualiti anotasi, "sukar untuk mendapatkan gaji yang dijanjikan kepada anda semasa temu duga
Di beberapa tapak web pengambilan, Whip Niu Shi mencari "anotasi data" dan menetapkan julat gaji antara 2,000 dan 8,000 yuan. Beberapa anotasi khas, seperti bahasa kecil, lukisan berketepatan tinggi, dsb., akan mempunyai gaji yang lebih tinggi.
Kepintaran buatan, memfokuskan pada kecerdasan buatan
![]()
CNBC menegaskan bahawa
Silicon Valley sentiasa bergantung kepada tenaga buruh beribu-ribu pekerja berkemahiran rendah dan bergaji rendah untuk membina empayar komputernya, tetapi pekerja ini sentiasa berada dalam status "rendah diri":
Kini, industri kecerdasan buatan juga mengikuti peraturan permainan ini. Dengan perkembangan pesat kecerdasan buatan,Pekerjaan ini tidak menentu, atas permintaan, Orang ramai diambil bekerja secara langsung oleh syarikat melalui kontrak bertulis atau melalui pembekal pihak ketiga yang pakar dalam kerja sementara atau penyumberan luar.
Faedah seperti insurans kesihatan adalah jarang atau tidak wujud — bermakna kos yang lebih rendah untuk syarikat teknologi — dan kerja itu selalunya tanpa nama, dengan semua kredit diberikan kepada eksekutif dan penyelidik permulaan teknologi.
semakin ramai pencatat data sedang diupah, tetapi semakin banyak buruh asas ini diabaikan.
Sonam Jindal, ketua projek organisasi bukan untung "AI, buruh dan ekonomi di Perkongsian mengenai AI (PAI)" berkata:
Kebanyakan perbincangan mengenai kecerdasan buatan amat dialu-alukan.Sudah tentu, memandangkan kedudukan penyumberan luar seperti pencatat data telah dilihat oleh semakin banyak organisasi, ini juga telah menyebabkan "masalah" bagi gergasi teknologi.
Tetapi kami kehilangan bahagian penting dalam cerita: ini masih sangat bergantung pada tenaga kerja manusia yang besar.
Teknik gergasi dalam pusaran air
Pada awal tahun ini, majalah Time melaporkan bahawa OpenAI bergantung pada buruh penyumberan luar Kenya bergaji rendah untuk membenderakan teks yang mengandungi ucapan kebencian atau bahasa kesat seksual supaya modelnya dapat mengenal pasti "toksik" dengan lebih baik.
Di Nairobi, Kenya, lebih daripada 150 orang yang telah bekerja di AI untuk Facebook, TikTok dan ChatGPT mengundi untuk menubuhkan kesatuan sekerja, memetik gaji yang rendah dan beban mental kerja.
Satu lagi saluran media Semafor melaporkan pada Januari tahun ini bahawa
OpenAI menggaji kira-kira 1,000 pekerja penyumberan luar jauh di tempat seperti Eropah Timur dan Amerika Latin untuk melabel data atau melatih perisian syarikat mengenai tugas kejuruteraan komputer, dengan gaji Serendah $2 /jam.
Data lain yang berbeza ialah,Sehingga Januari tahun ini, OpenAI mempunyai kira-kira 375 pekerja.
Seorang jurucakap syarikat itu berkata tiada siapa yang boleh menjawab soalan tentang penggunaan kecerdasan buatannya kepada pekerja penyumberan luar.PAI memberi amaran dalam laporan 2021 bahawa permintaan untuk apa yang dipanggil "pekerjaan pemadat data" semakin meningkat, dengan organisasi mengesyorkan industri bekerja pada pampasan yang adil dan amalan lain yang lebih baik dan tahun lepas menerbitkan panduan untuk syarikat garis panduan Sukarela untuk diikuti .
CNBC menegaskan bahawa Anak syarikat AI Google, DeepMind ialah satu-satunya syarikat teknologi setakat ini yang komited secara terbuka untuk mematuhi garis panduan ini.
Jindal berkata:
Ramai orang telah menyedari bahawa ini adalah perkara yang penting. Cabarannya sekarang ialah mendapatkan syarikat untuk melakukannya.
Ini adalah pekerjaan baharu yang dicipta oleh kecerdasan buatan, dan kami berpotensi untuk menjadikan ini sebagai pekerjaan berkualiti tinggi di mana pekerja yang melakukannya dihormati dan dihargai atas sumbangan mereka untuk menjadikan kemajuan ini mungkin.
Atas ialah kandungan terperinci Bahagian bawah piramid AI: 'annotator data' memperoleh $15 sejam. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
