1、資料標註最基本的就是畫框，比如檢測目標是車，標註員就需要把一張圖上的所有車都標出來，畫框要完全卡住車的外接矩形，框得不準確機器就可能“學壞”。再比如人的姿態識別，就包括18個關鍵點，經過訓練的標註員才能掌握這些關鍵點的標註，標註完成的資料也才能符合機器學習的標準。
2、無人零售、無人駕駛等都需要大量的人力，基於用工成本的問題，除了隱私資料之外，他們會把標註工作放在第三世界國家完成，馬來西亞、泰國、印度等國家都有資料標註分公司。
3、常見的報道中，資料標註總被描述為“血汗工廠”，這項工作和從業者被描述得廉價低質，人被重複性機械式的勞動異化。在王金橋的解釋下，這一刻板印象也被逐漸打破。
4、目前這種大量的人工標註是有價值的，因為理論上解決問題很難，但有了大量資料，設計深度學習網路，可以在特定場景特定應用中用資料訓練神經網路，從而在很多場景中可以讓AI快速落地佔領市場、驅動行業應用、促進行業升級和迭代。
1、梳理標註資料型別，目前常見的資料的型別包括圖片、文字、音訊和影片，對於不同型別的資料，標註方法不同，相關資料標註服務商報價也不同。
2、明確資料標註方向，對於不同行業，資料標註需求不同。常見的標註方向包括語義分割、3D點雲、文字轉寫、音訊轉寫、自然語義處理、目標追蹤。不同的方向，方式及需求不一樣，針對圖片類，常見標註為2D拉框、多邊形拉框，對於智慧駕駛行業，可能標註方向更多為車道線、語義分割等。
3、評估標註方式，對於較少量或簡單的圖片等形式，一般會選擇自行標註，常見的圖片標註工具如
LabelImg，該工具可在Windows及Mac上安裝使用。但如果遇到大批次圖片標註，或音影片資料標註，LabeIImg就無法滿足需求，需要需求外部服務商。
4、篩選外部標註服務商，目前國內在資料服務質量參差不齊，可透過標準予以篩選，避免後期服務質量不過關，導致重新標註。篩選標準：豐富的企業服務經驗，優秀的標註平臺或工具，具備相應的資料安全措施，穩定的資料服務團隊。
資料標註師是從事人工智慧行業的職位。資料標註師相當於網際網路上的“編輯師”，負責用一些資料標註工具，對大量文字、圖片、語音、影片等資料進行歸類、整理、糾錯和批註等工作。常見的幾種資料標註工作包括：1、分類標註：分類標註，就是我們常見的打標籤。一般是從既定的標籤中選擇資料對應的標籤，是封閉集合。2、標框標註：機器視覺中的標框標註，就是框選要檢測的物件。3、區域標註：相比於標框標註，區域標註要求更加精確。4、描點標註：一些對於特徵要求細緻的應用中常常需要描點標註。