Temel ses veya görüntü tanımanın ötesine geçen bu süreç, yapay zekanın öğrenmesi için bilgileri etiketleyen ve rafine eden veri etiketleme (data annotation) yöntemine odaklanarak eğitim setlerinin bilgi yoğunluğunu artırmayı hedefliyor.
Uzmanlaşmış eğitime yönelik bu hamle, yapay zeka araçlarını hukuk, tıp ve finans gibi profesyonel alanlarda daha etkili kılma çabasından kaynaklanıyor.
Yapay zeka araştırmacısı Tiezhen Wang'a göre, karmaşık raporlar hazırlayabilen veya web siteleri kurabilen gelişmiş ofis verimlilik araçları geliştirme yarışında kaliteli veri toplama süreci kritik bir ayırt edici faktör olarak öne çıkıyor.
Ayrıca Çin hükümeti, ulusal yapay zeka adaptasyonunu desteklemek amacıyla yüksek kaliteli veri setlerinin oluşturulmasını resmi olarak onaylayarak üniversite mezunlarını ve sektör deneyimlilerini bu iş gücü piyasasına katılmaya teşvik ediyor.
Çalışanlar için bu roller, yüksek genç işsizliği ve ekonomik durgunluk döneminde gelir kaynaklarını çeşitlendirme imkanı sunsa da görevler genellikle güvencesiz ve zorlayıcı nitelik taşıyor.
Eğiticiler, modellerin henüz çözemediği karmaşık ödevler tasarlamak, sık sık kendi mesleki belgelerini sisteme yüklemek ve düşünce süreçlerini açıklamak zorunda kalıyor.
Bazı katılımcılar kendi yerlerine geçecek sistemleri eğittiklerine dair endişe duysa da birçoğu bu durumu iş gücü piyasasındaki kaçınılmaz bir dönüşüm ve gelişen yapay zeka altyapısında deneyim kazanma fırsatı olarak görüyor.