Те саме медичне зображення — двоє людей можуть позначити аномалії на ньому; той самий юридичний текст — двоє людей можуть його класифікувати. Надіслані мітки можуть бути чіткими, і модель зможе їх зчитати під час навчання. Але якщо завдання вимагає професійного судження, чи мають анотатори відповідну кваліфікацію, — це не може зводитися лише до одного рядка в їхньому профілі: «Я експерт». @primus_labs у застосуванні якості даних запропонував використовувати zkTLS-докази для перевірки кваліфікації професійних анотаторів у галузях медицини, права тощо, наприклад, чи мають вони відповідний професійний статус. Ця ідея стосується дуже раннього етапу навчання ШІ: ще до обговорення того, чи добре вчиться модель, спочатку треба переконатися, що люди, які надають їй судження, відповідають вимогам завдання. Підтвердження кваліфікації, звичайно, не гарантує, що кожна мітка цієї людини буде правильною — пізніше все одно знадобляться випадкова перевірка, повторна оцінка та виправлення помилок. Але якщо кваліфікація базується лише на самоповідомленні, контроль якості з самого початку втрачає один із критеріїв. Зараз це лише описаний у офіційній документації сценарій застосування. Я б хотів бачити майбутні конкретні способи реалізації: як перевіряти кваліфікацію, як захищати анотаторів від розголошення всіх особистих даних та як встановлювати походження помилкових міток після їх виявлення. ШІ має навчитися судити — а той, хто його навчає, також повинен пасувати перевірці. #PrimusLabs #AIData @KaitoAI