企業搶AI落地先機，卻碰到標註師的選擇困難症！怎麼找才有效？|數位時代 BusinessNext

企業搶AI落地先機，卻碰上標註師的選擇困難症！怎麼找才有效？

數據標註是許多企業推動AI落地之痛，找不到人標，內部又很難控管品質，適時找到經驗豐富、系統穩定外包團隊，不但能兼顧質量與品質，還能省下兩成的成本。

找工程師標？大材小用

AI專案起跑之初，有些公司一下子找不到人，會讓工程師先幫忙標註，但不到一個月，工程師大概就會想離職，光跑模型都來不及了，怎麼有空標？

而且工程師一身武藝，也不會只想做標註而已。再不久，老闆也會跳腳，因為工程師很貴，用來做標註非常浪費。

眾包平台或自行開發？必須三思後行

國外有些公司會利用Amazon Mturk等眾包平台，這類平台的標註師來自不同國家，多為家庭主婦、學生兼職，標註師彼此認知判斷不同且缺乏品管，品質較容易有落差。

此外，如何確保數據資安會是一大隱憂。若水有客戶曾經用過這類的平台，最後因為熟悉平台介面耗了不少時間，而且還需要自行開發用來描點的標註工具套件而作罷，在台灣的大企業基本上不太會考慮這個選項。

也許你會想開發自己的標註平台，但從投資報酬的觀點來看，不一定划算。除非標註的類型、數量從頭到尾都不會改變，否則從零到一建置平台，持續開發標註工具，以及後續的平台維護及優化，一樣需要投入人力和時間。

找工讀生標？勞心勞力

請少數幾位工讀生自行標註，在專案開發初期確實是個好方法。有個新創圈客戶，一開始也是用in house工讀生標註了一陣子，但在與若水合作半年後，就不再請工讀生標註。為什麼？

這位新創公司的副總對我大吐苦水：原來，標註的工作畢竟重覆性高，工讀生常常做了一陣子就嚷嚷著要請假或是不做，公司在核心業務之外，為了管標註工讀生又要加請一個主管，同時PM或工程師還要自己花很多時間檢查工讀生做的標註，另外還有辦公室空間的問題，整個算下來人事費用偏高，根本不划算；有時碰上AI新產品開發階段，或是突然專案變多，臨時根本找不到好手支援。

或許對你而言，多花點錢請工讀生標註，為了自己掌控進度一切還能忍受。但在若水的經驗觀察中，

這樣長期下來可能會讓你錯過AI專案開發中最寶貴的資源：時間

選對AI數據外包服務商，優勢在哪？

在監督式機器學習的領域，大量且優質的數據是AI應用成功的關鍵之一。當餵進模型的資料數據標註的不夠精確，機器學習模型（Machine Learning Model）的學習效果就會受到影響，也就是人們常說的「Garbage in,Garbage out」，換言之，在此之前的投資都浪費掉了。

在若水有一套品質檢測回饋制度，來確保客戶交付的數據如期如質完成，進而帶動機器學習模型的品質和成效。

每位標註師都接受過各種標註圖形的訓練、認證，參與專案前再針對該專案的標註特徵考試，以確保標註時有精確的認知和下標動作，還有QA、QC人員分批進行品質抽測。

對許多客戶來說，他們最重視若水在標註時給的原則回饋，機器學習模型需要數據訓練，但需要餵什麼樣「特徵」的數據，往往不太好定義。

之前，有位日本客戶本想讓公司內部的工程師和工讀生去標註橋上的鐵鏽，一試才發現太過耗時、且無法全面檢測標註品質，轉而找上若水幫忙。

因為有協助過建築業的經驗，同仁們馬上想到要請教建築專家，才掌握到鐵鏽的物理特色，不會把橋上的光影、污漬或顏色較深的青苔，標註成鐵鏽，讓機器誤學。

加上鐵鏽形狀太不規則，業界往往都是用「Polygon多邊形描邊標註」的方式來處理，若水AI數據處理顧問審慎評估後，決定以「Pixel－wise逐像素標註」進行數據標註，因為可以讓機器學習所需的Training Data品質更優質、精準，進而達到AI應用快速推展。

究竟數據標註該怎麼解？端看企業開發AI的速度和數量。有一個數據可以參考：我們內部算過，比起找工讀生要花的招募、薪酬（含勞健保）、主管薪資、場地、設備建置等條件來估算，找到一個經驗豐富、品質管理系統穩定的外包標註團隊，至少可以節省20％的成本。

最後，如果你正在思考外包數據標註服務，不妨參考以下4個原則：

是否能協助精準定義標註原則？
是否有品質和品管的內控流程？
是否有及時與客戶回饋的機制？
是否有可靠、穩定的資安系統？

如何處理學習數據，優化機器學習模型並擷取正確的特徵，讓團隊可以快速的產出AI，其實不是單一的執行層面議題，而是一種全面性的策略。以標註數據為例，在思考上光是「有人標就好」還不夠，企業應該思考的是：

如何在達成省時、省力、省成本下，同時藉由精準標註，推動AI落地。

責任編輯：林芳如

本文授權轉載自：若水AI Blog

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。