找工程师标？大材小用
AI项目起跑之初，有些公司一下子找不到人，会让工程师先帮忙标注，但不到一个月，工程师大概就会想离职，光跑模型都来不及了，怎么有空标？
而且工程师一身武艺，也不会只想做标注而已。再不久，老板也会跳脚，因为工程师很贵，用来做标注非常浪费。
众包平台或自行开发？必须三思后行
海外有些公司会利用Amazon Mturk等众包平台，这类平台的标注师来自不同国家，多为家庭主妇、学生兼职，标注师彼此认知判断不同且缺乏品管，品质较容易有落差。
此外，如何确保数据安全会是一大隐忧。若水有客户曾经用过这类的平台，最后因为熟悉平台接口耗了不少时间，而且还需要自行开发用来描点的标注工具组件而作罢，在台湾的大企业基本上不太会考虑这个选项。
也许你会想开发自己的标注平台，但从投资报酬的观点来看，不一定划算。除非标注的类型、数量从头到尾都不会改变，否则从零到一构建平台，持续开发标注工具，以及后续的平台维护及优化，一样需要投入人力和时间。
找工读生标？劳心劳力
请少数几位工读生自行标注，在项目开发初期确实是个好方法。有个创业公司圈客户，一开始也是用in house工读生标注了一阵子，但在与若水合作半年后，就不再请工读生标注。为什么？
这位创业公司的副总对我大吐苦水：原来，标注的工作毕竟重复性高，工读生常常做了一阵子就嚷嚷着要请假或是不做，公司在核心业务之外，为了管标注工读生又要加请一个主管，同时PM或工程师还要自己花很多时间检查工读生做的标注，另外还有办公室空间的问题，整个算下来人事费用偏高，根本不划算；有时碰上AI新产品开发阶段，或是突然项目变多，临时根本找不到好手支持。
或许对你而言，多花点钱请工读生标注，为了自己掌控进度一切还能忍受。但在若水的经验观察中，
这样长期下来可能会让你错过AI项目开发中最宝贵的资源：时间
选对AI数据外包服务商，优势在哪？
在监督式机器学习的领域，大量且优质的数据是AI应用成功的关键之一。当喂进模型的资料数据标注的不够精确，机器学习模型（Machine Learning Model）的学习效果就会受到影响，也就是人们常说的“Garbage in,Garbage out”，换言之，在此之前的投资都浪费掉了。
在若水有一套品质检测反馈制度，来确保客户交付的数据如期如质完成，进而带动机器学习模型的品质和成效。
每位标注师都接受过各种标注图形的训练、认证，参与项目前再针对该项目的标注特征考试，以确保标注时有精确的认知和下标动作，还有QA、QC人员分批进行品质抽测。
对许多客户来说，他们最重视若水在标注时给的原则反馈，机器学习模型需要数据训练，但需要喂什么样“特征”的数据，往往不太好定义。
之前，有位日本客户本想让公司内部的工程师和工读生去标注桥上的铁锈，一试才发现太过耗时、且无法全面检测标注品质，转而找上若水帮忙。
因为有协助过建筑业的经验，同仁们马上想到要请教建筑专家，才掌握到铁锈的物理特色，不会把桥上的光影、污渍或颜色较深的青苔，标注成铁锈，让机器误学。
加上铁锈形状太不规则，业界往往都是用“Polygon多边形描边标注”的方式来处理，若水AI数据处理顾问审慎评估后，决定以“Pixel－wise逐像素标注”进行数据标注，因为可以让机器学习所需的Training Data品质更优质、精准，进而达到AI应用快速推进。
究竟数据标注该怎么解？端看企业开发AI的速度和数量。有一个数据可以参考：我们内部算过，比起找工读生要花的招募、薪酬（含劳医保）、主管薪资、场地、设备构建等条件来估算，找到一个经验丰富、品质管理系统稳定的外包标注团队，至少可以节省20%的成本。
最后，如果你正在思考外包数据标注服务，不妨参考以下4个原则：
- 是否能协助精准定义标注原则？
- 是否有品质和品管的内控流程？
- 是否有及时与客户反馈的机制？
- 是否有可靠、稳定的安全系统？
如何处理学习数据，优化机器学习模型并截取正确的特征，让团队可以快速的产出AI，其实不是单一的执行层面议题，而是一种全面性的策略。以标注数据为例，在思考上光是“有人标就好”还不够，企业应该思考的是：
如何在完成省时、省力、省成本下，同时借由精准标注，推动AI落地。