Тот же медицинский снимок — два человека могут отметить аномалии на изображении; тот же юридический текст — два человека могут его классифицировать. Поданные метки могут быть аккуратными и легко читаться моделью при обучении. Но если задача требует профессионального суждения, наличие у аннотатора соответствующей квалификации не может опираться лишь на одну фразу в его профиле: «Я эксперт». @primus_labs в контексте применения качества данных предложил использовать zkTLS-доказательства для проверки квалификации профессиональных аннотаторов в медицине, юриспруденции и других областях — например, подтверждение их профессионального статуса. Эта идея затрагивает самый ранний этап обучения ИИ: прежде чем обсуждать, насколько хорошо модель учится, нужно убедиться, что люди, предоставляющие ей данные для оценки, действительно соответствуют требованиям задачи. Подтверждение квалификации, конечно, не гарантирует, что каждая метка будет правильной — дальнейшая выборочная проверка, перепроверка и исправление ошибок всё равно необходимы. Но если квалификация основывается лишь на самоутверждении, контроль качества лишается одного из фундаментальных оснований с самого начала. Сейчас это пока лишь описанное в официальной документации применение. Я надеюсь увидеть в будущем более конкретные способы реализации: как именно проверять квалификацию, как защищать аннотаторов от необходимости раскрывать всю личную информацию и как отслеживать ошибочные метки после их обнаружения. ИИ должен научиться оценивать — и те, кто его обучает, тоже должны проходить проверку. #PrimusLabs #AIData @KaitoAI