《針對內(nèi)容安全的人工智能數(shù)據(jù)標注指南》

ICS35.240.20

L60

團體標準

T/ISC0005—2020

針對內(nèi)容安全的人工智能

數(shù)據(jù)標注指南

GuidelinesforAIdataannotationincontentsecurity

2020-09-24發(fā)布2020-12-01實施

中國互聯(lián)網(wǎng)協(xié)會發(fā)布

T/ISC0005—2020

針對內(nèi)容安全的人工智能數(shù)據(jù)標注指南

1范圍

本文件規(guī)定了針對內(nèi)容安全的人工智能數(shù)據(jù)標注主要過程，以及過程中的相關活動。

本文件適用于因業(yè)務需要使用人工智能技術進行內(nèi)容安全審核，提供第三方數(shù)據(jù)標注服務，以及設

計開發(fā)數(shù)據(jù)標注服務平臺的組織等。

2規(guī)范性引用文件

下列文件中的內(nèi)容通過文中的規(guī)范性引用而構(gòu)成本文件必不可少的條款。其中，注日期的引用文件，

僅該日期對應的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本

文件。

GB/T35273-2020信息安全技術個人信息安全規(guī)范

GB/T37964-2019信息安全技術個人信息去標識化指南

3術語和定義

下列術語和定義適用于本文件。

3.1

數(shù)據(jù)標注dataannotation

對文本、圖像、語音、視頻、3D點云等原始數(shù)據(jù)進行歸類、整理、糾錯、轉(zhuǎn)錄、翻譯和添加標簽等

操作，以生成滿足機器學習訓練要求的、機器可識別的數(shù)據(jù)編碼。

3.2

標簽label

標識數(shù)據(jù)的特征、類別和屬性等，可用于建立數(shù)據(jù)及機器學習訓練要求所定義的機器可讀數(shù)據(jù)編碼

間的聯(lián)系。標簽是數(shù)據(jù)標注的結(jié)果，是機器學習訓練所需的輸入之一。

3.3

標注過程annotationprocess

按照數(shù)據(jù)標注規(guī)范對指定數(shù)據(jù)集進行標注的過程。

3.4

標注工具annotationtool

數(shù)據(jù)標注員完成標注任務產(chǎn)生標注結(jié)果時所需的工具和軟件。

1

T/ISC0005—2020

注1：標注工具可生成標簽并提供參考模板。

注2：不同的數(shù)據(jù)類型和標注任務需要不同的標注工具。標注工具按自動化程度可分為手動、半自動、自動三種。

3.5

標注平臺annotationplatform

開展標注任務的系統(tǒng)化框架。

注1：標注平臺在包含標注工具全部功能的基礎上將所有標注環(huán)節(jié)工具化，可有效地對標注任務進行全局管理和跟

蹤。

3.6

數(shù)據(jù)預處理datapreprocessing

為提升數(shù)據(jù)標注的效率、質(zhì)量、降低人力參與強度，對原始數(shù)據(jù)進行預先處理，其中包括：數(shù)據(jù)篩

選、數(shù)據(jù)切分、機器半自動預標等過程。

3.7

訓練樣本trainingsample

數(shù)據(jù)標注后提交給需求方做模型訓練樣本的數(shù)據(jù)。

3.8

數(shù)據(jù)標注員/團隊datalabeler/team

對文本、圖像、音頻、視頻、3D點云等原始數(shù)據(jù)進行歸類、整理、糾錯、轉(zhuǎn)錄、翻譯、編輯和添加

標簽等操作的工作人員或團隊。

4概述

本文件給出了針對內(nèi)容安全的人工智能數(shù)據(jù)標注的主要過程，其中包括:需求承接、標注準備、正

式標注、驗收交付、訓練模型、上線準備等。數(shù)據(jù)標注流程架構(gòu)見圖1：

圖1數(shù)據(jù)標注流程架構(gòu)

5需求承接

5.1需求接收

標注團隊與需求方應明確標注規(guī)模、標注形式、標注方法、標簽標準、數(shù)據(jù)安全要求、標注復雜度、

標注數(shù)據(jù)格式、工期約定、準確率要求、數(shù)據(jù)交付格式、說明文檔以及培訓細節(jié)。

2

T/ISC0005—2020

5.2需求評估

標注團隊應對承接的需求進行評估，形成評估結(jié)論。

評估結(jié)論應包括現(xiàn)有資源能否承接該需求，需求實現(xiàn)路徑，以及評估新增需求對現(xiàn)有需求的影響范

圍，需求承接方案等內(nèi)容。

5.3需求確認

標注團隊應與需求方協(xié)商一致，將最終確認的需求形成文檔并留存。

6標注準備

6.1數(shù)據(jù)獲取

標注團隊應根據(jù)需求內(nèi)容，識別可獲取的標注數(shù)據(jù)源渠道，評估數(shù)據(jù)源渠道的可行性，確認完成標

注需求所需標注數(shù)據(jù)源構(gòu)成。

數(shù)據(jù)獲取過程中個人信息保護，應滿足GB/T35273-2020。

數(shù)據(jù)去標識化處理的方法，應滿足GB/T37964-2019。

6.2數(shù)據(jù)預處理

標注團隊應根據(jù)標注需求以及標注數(shù)據(jù)的特性，通過數(shù)據(jù)聚類、組合排列、數(shù)據(jù)雜質(zhì)去除等方法，

提高標注數(shù)據(jù)的有效性、標注效率、標注質(zhì)量。數(shù)據(jù)預處理方法參見表1：

表1數(shù)據(jù)預處理方法

維度方法詳細內(nèi)容

數(shù)據(jù)去重MD5特征值去重，相似度去重

針對初步具備識別能力的模型，通過模型預

模型預處理

測結(jié)果進行篩選，進行樣本標注

通用數(shù)據(jù)預處理流程數(shù)據(jù)分類共性無效樣本分類識別

數(shù)據(jù)聚類基于相似度的聚類處理

針對初步具備識別能力的模型，通過模型標

主動學習

注，人工修正的方式，進行樣本標注

針對特殊業(yè)務形式，數(shù)據(jù)類型進行

專項數(shù)據(jù)預處理流程多模態(tài)技術疊加，多個數(shù)據(jù)預處理流程疊加

專項數(shù)據(jù)預處理流程研究

6.3操作規(guī)程

標注團隊應：

a)根據(jù)已確認的標注需求，形成標準化的操作規(guī)程；

b)確保執(zhí)行數(shù)據(jù)標注任務的相關人員了解操作規(guī)程。

6.4質(zhì)檢方案

標注團隊應：

a)制定質(zhì)檢方案，確保標注結(jié)果質(zhì)量。方案內(nèi)容包括但不限于：

——質(zhì)量責任人；

3

T/ISC0005—2020

——抽樣理論依據(jù)，如置信度和誤差是否在可接受的范圍；

——抽樣方式，如隨機抽樣、分層抽樣等；

——抽樣量級，如確定整體抽樣量級、階段性抽樣量級等；

——抽樣頻次，如按時間周期抽樣、階段性抽樣等；

——反饋機制，如按時間周期反饋、階段性反饋等；

——指標/閾值的計算方法。

b)保留質(zhì)檢方案的相關成文信息。

6.5工具/平臺

標注團隊應根據(jù)需求準備相應的標注工具/平臺，如線下工具、平臺復用、平臺優(yōu)化、平臺新建等

方式。

標注工具/平臺應具備以下能力，具備包括但不限于如下能力：

a)對文本、圖像、視頻、音頻、3D點云數(shù)據(jù)等各類數(shù)據(jù)進行標注；

b)權(quán)限管理，包括：創(chuàng)建賬號、授權(quán)管理、權(quán)限審批、角色配置；

c)人員管理，包括：角色配置、績效管理；

d)流程管理，可以根據(jù)標注需求進行流程調(diào)整；

e)版本管理，對標注內(nèi)容和結(jié)果進行版本管理和控制。

6.6人員能力

標注團隊應：

a)確定數(shù)據(jù)標注員和質(zhì)檢人員所需具備的能力，這些人員從事的工作影響標注的質(zhì)量和有效性；

b)基于適當?shù)慕逃?、培訓和?jīng)驗（知識庫），確保這些人員是勝任的；

c)跟蹤培訓的效果，并評價其有效性；

d)保留適當?shù)某晌男畔ⅲ鳛槿藛T能力的證據(jù)。

6.7試標注

標注團隊應：

a)在正式標注前，小范圍抽取數(shù)據(jù)標注員進行試標注、質(zhì)檢團隊試質(zhì)檢，試運行標注的全過程；

b)對試標注的數(shù)據(jù)量的大小、百分比等因素進行限定；

c)保留試標注以及因試標注引起的對標注需求、標注操作規(guī)程、質(zhì)檢方案變更相關的成文信息。

6.8制定標注方案

標注團隊應針對特定需求制定相應的標注方案，包括但不限于：

a)資源規(guī)劃，如數(shù)據(jù)源、標注工具/平臺；

b)人力資源規(guī)劃；

c)項目進度規(guī)劃；

d)項目質(zhì)量規(guī)劃；

e)風險控制措施；

f)應急預案等。

7標注

7.1實施標注

4

T/ISC0005—2020

按照已定標注方案，協(xié)調(diào)安排標注人員進行正式標注活動。其中包括：

a)數(shù)據(jù)導入；

b)任務安排；

c)人工標注。

7.2進度管理

標注團隊應在標注過程中實時監(jiān)控、管理標注的實際進度，并根據(jù)實際進度分析、預警風險，制定

相應方案。

7.3質(zhì)量控制

標注團隊應按照已定的質(zhì)檢方案進行質(zhì)量控制。質(zhì)量控制方法包括但不限于如下方式，見表2：

表2質(zhì)量控制方法

質(zhì)量控制方法詳細描述

多人驗證多人做同一個子任務，通過標注工具的功能自動或人工輔助選

擇出最優(yōu)、最正確的標注結(jié)果。

埋題驗證在任務進行期間，除了常規(guī)標注子任務外，在任務中混進若干

已知結(jié)果的測試題，以此驗證一線操作標注人員的標注水平。

標注人員狀態(tài)驗證通過一定方法對標注人員的操作規(guī)范性、實時注意力狀態(tài)、標

注準確率等方面進行檢查與監(jiān)測，及時發(fā)現(xiàn)操作違規(guī)問題，保

證數(shù)據(jù)質(zhì)量。

機器驗證在任務進行期間使用機器學習方法，得到數(shù)據(jù)準確率，一旦發(fā)

現(xiàn)離群點或明顯的降低趨勢，及時對標注人員預警和警告。

7.4交付、驗收

標注團隊應按照事先確認的最終需求進行交付。

需求方應按照要求進行驗收，如驗收數(shù)據(jù)質(zhì)量未達到預期，數(shù)據(jù)需求方可要求標注團隊對標注數(shù)據(jù)

進行修正。

雙方應保留相關成文信息。

8模型訓練

8.1模型訓練

數(shù)據(jù)使用方通過運用人工標注結(jié)果數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等算法模型學習標注后

的數(shù)據(jù)特征，實現(xiàn)對目標樣本具有一定的預測能力。

8.2模型驗證

數(shù)據(jù)使用方應對數(shù)據(jù)預測效果對模型能力進行分析評估，評價模型效果。

9上線運行