Même pour une image médicale, deux personnes peuvent indiquer les anomalies sur l'image ; même pour un texte juridique, deux personnes peuvent le classer. Les étiquettes soumises peuvent être bien organisées et facilement intégrées lors de l'entraînement du modèle. Mais si la tâche exige un jugement professionnel, la simple déclaration « Je suis expert » dans le profil d'un annotateur ne suffit pas à confirmer sa compétence. @primus_labs propose, dans le contexte de la qualité des données, d'utiliser des preuves de données zkTLS pour vérifier les qualifications des annotateurs professionnels en médecine, droit, etc., par exemple leur statut professionnel reconnu. Cette approche cible une étape fondamentale de l'entraînement de l'IA : avant même d'évaluer la performance du modèle, il faut s'assurer que les personnes fournissant les jugements répondent aux exigences de la tâche. La preuve de qualification ne garantit évidemment pas que chaque étiquette fournie soit correcte ; des contrôles aléatoires, des révisions et des corrections restent nécessaires. Mais si la compétence ne repose que sur une déclaration personnelle, le contrôle de qualité manque dès le départ d'un fondement solide. Actuellement, il s'agit encore d'un scénario décrit dans la documentation officielle. J'espère voir bientôt des méthodes concrètes de mise en œuvre : comment vérifier les qualifications, comment protéger les annotateurs en évitant de révéler toutes leurs données personnelles, et comment retracer les étiquettes erronées une fois identifiées. L'IA doit apprendre à juger — mais les personnes qui la forment doivent elles-mêmes pouvoir être vérifiées. #PrimusLabs #AIData @KaitoAI