Mesmo sendo uma imagem médica, duas pessoas podem marcar locais anormais na imagem; mesmo sendo um texto jurídico, duas pessoas podem classificá-lo. Os rótulos enviados podem estar organizados e serem facilmente lidos durante o treinamento do modelo. Mas se a tarefa exige julgamento profissional, a qualificação do rotulador não pode ser baseada apenas em uma frase no perfil dele dizendo “sou especialista”. @primus_labs propôs, em aplicações de qualidade de dados, usar provas de dados zkTLS para verificar a qualificação de rotuladores profissionais em áreas como saúde e direito, por exemplo, se possuem a identidade profissional correspondente. Essa ideia aborda um passo muito inicial no treinamento de IA: antes mesmo de discutir se o modelo aprende bem, garante-se que as pessoas fornecendo os julgamentos atendem aos requisitos da tarefa. A comprovação de qualificação não garante que cada rótulo de uma pessoa esteja correto; ainda são necessárias inspeções aleatórias, revisões e correções posteriores. Mas se a qualificação depender apenas de afirmações pessoais, o controle de qualidade já começa sem uma base sólida. Atualmente, isso ainda é apenas um cenário descrito na documentação oficial. Espero ver, no futuro, formas mais concretas de implementação: como verificar a qualificação, como proteger os rotuladores para que não precisem revelar todos os seus dados pessoais e como rastrear quando rótulos incorretos forem identificados. A IA precisa aprender a julgar — e as pessoas que a treinam também devem ser verificáveis. #PrimusLabs #AIData @KaitoAI