智能数据标注产业发展观察报告 发布单位： 清华大学数字政府与治理研究院 江苏省数字化协会 支持单位： 上海数据交易所 华东江苏大数据交易中心 2025年4月

....................................33 2.3 数据标注.............................................................................................35 2.3.1 标注标准制定........................................... ..................................37 2.3.2 标注工具选择.............................................................................38 2.3.3 标注质量控制......................................................... 随着人工智能技术的迅猛发展，知识库数据处理及 AI 大模型 训练已成为推动智能化应用落地的核心环节。本项目旨在构建一套 完整的数据处理与模型训练方案，以满足企业在复杂场景下的智能 化需求。项目通过对多源异构数据的采集、清洗、标注和结构化处 理，打造高质量的知识库，为后续的 AI 模型训练提供坚实的基 础。同时，结合先进的深度学习技术和规模化计算资源，设计高效 的模型训练流程，确保模型在准确性、泛化能力和计算效率方面达

系统建设 2—— 管线管理子系统 地图管理 信息查询 数据统计 系统分析 动态更新 数据转换输出 工程工具 数据管理 系统管理维护 距离量算 面积量算 扯旗标注 特征点坐标标注 管线属性标注 管点属性标注 系统建设 2—— 管线管理子系统 地图管理 信息查询 数据统计 系统分析 动态更新 数据转换输出 工程工具 数据管理 系统管理维护 管线图层编辑 竣工测量数据导入编辑 SDE 调图 查询统计 断面分析 管点、管线 编辑 管点、管线 标注 系统建设 5—— 管线 CAD 查询与编辑子系统 SDE 调图 查询统计 断面分析 管点、管线 编辑 管点、管线 标注 系统建设 5—— 管线 CAD 查询与编辑子系统 SDE 调图 查询统计 断面分析 管点、管线 编辑 管点、管线 标注 系统建设 5—— 管线 CAD 查询与编辑子系统 SDE 调图 调图 查询统计 断面分析 管点、管线 编辑 管点、管线 标注 系统建设 5—— 管线 CAD 查询与编辑子系统 SDE 调图 查询统计 断面分析 管点、管线 编辑 管点、管线 标注 系统建设 6—— 管线设计审查子系统 • 地下综合管线设计 • 设计方案审核 • 各类报表及图表输出 • 规划和验线比对 目标：完成地下管线设计、方案审查、指标核算 系统建设 7—— 管线三维应用子系统

2.2 数据清洗与标注..................................................................................28 2.2.1 数据去重与噪声处理.................................................................31 2.2.2 数据标注方案设计..... 结合政务领域的特定语料和知识库，进行模型的微调与优化。微调 过程中，将重点解决以下几个问题： 1. 数据来源与质量：政务数据涉及多个领域，数据来源多样且质 量参差不齐。项目将建立统一的数据清洗和标注流程，确保训 练数据的准确性和一致性。 2. 模型泛化能力：政务场景复杂多样，模型需具备较强的泛化能 力，能够适应不同的政务任务和场景。为此，项目将采用多种 数据增强技术和多任务学习策略，提升模型的适应性和鲁棒性。 力， 还需对数据进行平衡处理，确保各类政务问题的样本分布均匀。 接下来，对清洗和规范化的数据进行标注。标注工作应由具备 政务知识背景的专业人员完成，确保标注的准确性和权威性。标注 内容包括但不限于问题类型、关键词、情感倾向、实体识别等，这 些标注信息将作为模型训练的重要特征。 在数据标注完成后，需要对数据集进行分割。通常，数据集被 划分为训练集、验证集和测试集三部分。训练集用于模型的学习和

4.3 数据清洗与预处理..............................................................................57 4.4 数据标注与质量控制...........................................................................60 5. 模型训练方案...... 本项目的核心目标是构建一个高效、精准且可扩展的人工智能 数据训练考评系统，旨在全面提升人工智能模型的训练质量和考评 效率。具体目标包括： 1. 提升数据训练效率: 通过优化数据处理流程和引入自动化工 具，大幅缩短数据清洗、标注和处理的时间，确保训练数据的 高质量和高可用性。 2. 实现精准模型考评: 设计多维度的考评指标体系，包括准确 性、召回率、F1 值等，结合可视化工具，全面评估模型性 能，确保考评结果的科学性和客观性。 降低运维成本: 通过自动化部署和监控机制，减少人工干预， 降低系统运维成本，同时提升系统的可靠性和可维护性。 为实现上述目标，系统将采用以下技术架构： - 数据处理模块: 集成了高效的数据清洗和标注工具，支持批量处理 和实时更新。 - 模型训练模块: 提供多种训练算法和参数优化功能，支持分布式训 练，提升训练效率。 - 考评分析模块: 基于多维指标的考评体系，结合可视化工具，生成 详细的考评报告。

二、森林消防特色应用 在综合监测平台的森林应急消防功能下，可通过实时回传的视频信 息，在吊舱视角模式下，实现快速标注火点、火场、火线等信息，以及标 绘现场消防人员部署情况和风力风向情况等，并将这些标注信息的坐标数 据保存在系统中。 图 4.2 森林消防技术路线图 （一）火点标注功能 在电子沙盘实时显示飞机、吊舱位置的情况下，进入吊舱视角浏览模 “ 式，三维地图的视角将与实时视频实现对应。点击右侧列表中 布，操作人员可以在三维地图上连续点击完成火点信息的标注。 图 4.3 火点标注示意图 （二）火线标注功能 在电子沙盘实时显示飞机、吊舱位置的情况下，进入吊舱视角浏览模 “ 式，三维地图的视角将与实时视频实现对应。点击右侧列表中 绘制火 ” 线 按钮，地图即进入标注火线的模式，操作人员使用鼠标在地图上连续点 击可以完成一条火线的标注，右击鼠标可退出当前模式。 图 4.4 火线标注示意图 （三）火场标注功能 在电子沙 绘制火 ” 场 按钮，地图即进入标注火场的模式，操作人员使用鼠标在地图上连续点 击可以完成一个火场的标注，右击鼠标可退出当前模式。再次点击该按钮 可以开始下个火场的标注。 图 4.5 火场标注示意图 （四）消防人员标注功能 该操作类似于火点信息标注。 图 4.6 消防人员标注示意图 （五）风向标注功能 该操作类似于火线信息的标注。 图 4.7 风向标注示意图 三、应急研判特色应用

成为离图灵测试最近的机器人。 第二阶段：利用人工标注引导生成 2021 年底 - 至今 演进动力 : 从人类反馈中学习 8 ChatGPT 的技术路线选 择 海量人类积累的文本数据，进行无监督训练。 即可获得博学的文本生成模型 自回归 生成 单字接龙 9 第一阶段：模型规模增大，融合的任务更多 第二阶段：利用人工标注引导生成 ChatGPT 技术演 + Reddit 高质量 Webtext 模型：同 GPT-1 参数： 1.5 B 特点： + NLP 任务的 prompt 预 训 练，具备 zero-shot 的能力 数据： + 人工标注数据（万级 别） 模型： GPT-3 + 强化学习 参数： 1.3 B 特点：需求理解能力大幅提升， 生成能力大幅提升 数据： + Filter Common Crawl 模型： GPT-2 奖励 更新策略 第二步 收集比较数据并训练奖励模型 采样问题，模型输出 问题的多个回答 人工对多个答案进行 排序 使用排序比较数据训练 奖励模型 从问题数据集中抽取 问题 人工标注期望的答案 使用有监督的数据微调 GPT-3 ChatGPT 训练过 程 第一步 收集示范数据并做有监督训练 第三步 1 1 What technology wants ？ 1

括但不限于算力资源跨地域 汇聚、异构算力支持、资源隔离与调度、高可用性与容错性、性能监控与分析等。 （3）算法服务。提供行业级算法服务能力，包括但不限于基础算法库、算 法开发与优化工具、数据标注基础模型、智驾模型训练与测试环境、智能驾驶基 础模型、剪枝压缩部署工具等。 2 智能驾驶智算数据平台发展现状分析 2.1 国外现状分析 2.1.1 国外企业及项目建设情况 （1）智能驾驶开发商及汽车厂商 研发，并且开发了高度真实的仿真平台，兼具 WorldSim 和 LogSim 仿真能力。 Waymo 的主要优势之一在于可依托 Google 在全球的用户网络，通过用户的 机器人验证进行道路交通对象数据标注，帮助 Waymo 建立高质量数据集。此外， Waymo 还通过高保真模拟驾驶环境用于补充真实世界的数据。 Wayve 积极利用人工智能算法开展自动驾驶系统开发。2023-2024 年，Wayve （3）我国智能驾驶数据集开放程度不佳 目前，国外智能驾驶领域拥有丰富的数据集资源，例如 nuPlan、Argoverse 和 Waymo Open Dataset 等。这些数据集不仅涵盖了多样化的驾驶场景，还提供了高 质量的标注，广泛应用于感知、决策、规划等关键环节的算法开发。相比之下， 我国的数据共享机制尚未充分发展，目前公开的国内数据集少之又少，开放的数 据集数量和质量不足，这对智能驾驶算法开发造成一定限制。 （4）数据共享与开放机制不完善

.......................................................................................57 4.2.2 数据标注................................................................................................... 透 明化、规范化和智能化，与国家治理现代化的目标相一致，推动法 治政府的建设。 项目的成功执行需要整合多方资源，明确合作、协调机制。技 术团队需深入了解政务需求，法律专家需协同参与法律文本的标注 和模型训练。此外，项目会关注数据安全与隐私保护，确保用户信 息的安全性与合法性。 通过全面的需求调研与技术方案设计，本项目将紧密结合实 际，确保政务 AI 法制员大模型的可行性和高效性，真正成为政务 模型类型 适用场景 优点 缺点 基于规则的 模型 简单法律问题处理 高效、准确 难以处理复杂情境 基于统计学 习的模型 法律文本分析、情感分析 能够识别模式，适用 性较广 需要大量标注数据 基于深度学 习的模型 多轮对话、法律问答、文 书生成 强大的特征提取能力 需要大量计算资源 混合模型 复杂法律问题的推理 综合优点，适应性强 实现复杂，可能需要 调优 通过以上

___________________________________________________________________________________ 6 数字化转型项目方案 标注、三维工艺设计管理、产品运营监控看板、仿真分析、电子手册管理、现场服务管理、问题管 理等是首要的建设需求。 最终建设打造一体化的全生命周期数据管理平台。并实现与企业其他系统的集成包括 OA、CRM、HRS、SRM、ERP 实现计算公式或过程的可视化，便于相关设计师了解计算过程或公式； 3) 实现计算内容的可配置和扩展功能。  MBD 三维标注： 1) 基于现有的产品标注的模式，定义 MBD 三维标注的标准标准； 2) 基于现有的三维标注标准，基于 Creo 进行二次开发三维标注工具，按照不同制造类型 的模型，进行 MBD 三维标注； 3) 针对三维标注的模型，实现基于 Windchill 的存储、管理、签审，实现无纸化的设计。  设计导航 的有效性，避免现有的方式（只修改二维图不修改三维模型），同时控制了三维模 型的状态，便于其他产品的针对历史数据的借用，提高设计效率。  解决方案 a) 首先通过访谈，与研发、标准化针对于图面标注标准达成一致意见，形成二维图标 __________________________________________________________________________________