Aynı bir tıbbi görüntüde, iki kişi de anormalliklerin konumunu işaretleyebilir; aynı bir hukuki metinde, iki kişi de onu sınıflandırabilir. Gönderilen etiketler düzgün olabilir ve eğitim sırasında model tarafından kolayca okunabilir. Ancak görev profesyonel bir yargı gerektiriyorsa, etiketleyicilerin ilgili niteliklere sahip olup olmadığı, sadece “Ben bir uzmanım” gibi bir ifadeyle değil, belgelendirilmelidir. @primus_labs, veri kalitesi uygulamalarında, tıbbi ve hukuki gibi profesyonel etiketleyicilerin kimliklerini zkTLS veri kanıtlarıyla doğrulamayı öneriyor; örneğin, ilgili profesyonel kimliklere sahip olup olmadıklarını. Bu fikir, AI eğitiminin çok erken aşamasına dokunuyor: Modelin ne kadar iyi öğrendiğinden değil, ona karar vermek için veri sağlayan kişilerin görev gereği uygun olup olmadıklarından başlanıyor. Kimlik doğrulama, bir kişinin her etiketinin doğru olduğunu garanti etmez; hala örneklem kontrolü, yeniden inceleme ve düzeltme gereklidir. Ancak nitelikler sadece kendi beyanlarına dayanıyorsa, kalite kontrolü zaten bir temel eksikliğiyle başlar. Şu anda bu, resmi belgelerde tanımlanan bir kullanım senaryosu. Daha sonra daha somut uygulama yöntemlerini görmek istiyorum: Kimlik nasıl doğrulanır, etiketleyicilerin tüm kişisel verilerini açmaksızın nasıl korunur ve yanlış etiketler tespit edildiğinde nasıl izlenebilir? AI, karar verme becerisini öğrenmeli; onu eğiten kişilerin kimlikleri de doğrulanabilir olmalı. #PrimusLabs #AIData @KaitoAI