【BML全功能AI开发平台初体验】一小时轻松搞定文本数据集标注！

昨晚看到GT_老张发的一篇博客——BML全功能AI开发平台完成昆虫目标检测模型的全流程笔记，拜读全文之后，我发现老张用的BML（Baidu Machine Learning）平台是最近新出的平台，看起来功能很强大（实际上确实也很强大），当然要体验一下啦！

一、数据集介绍

我的数据集源自Kaggle，名称叫做Emotions dataset for NLP，是一个文本情绪分析的数据集，其数据格式是这样的：

data;label

就像下面这样，一共有20000条数据数据，其中有16000条训练数据、2000条测试数据和2000条验证数据：

为了使用BML平台的智能标注功能，我把训练集的标签删除了，保留验证集的标签用于数据标注。

需要注意的是：

1. 数据集中已标注数据量超过600条
2. 每个标注标签的数据量超过50条
3. 未标注数据的数据量超过600条

二、文本智能标注原理

训练模型过程中，通常需要经历数据集准备（标注）、任务网络配置开发、模型的训练和部署等重要过程。很多时候，模型训练在数据准备阶段会遇到数据量不足的问题，使模型开发过程迟迟不能启动。

BML平台推出的文本智能标注功能，目标是通过少量的已标注数据样本，来获得大规模的智能标注数据，通过减少人工逐一校验的工作，使用智能标注数据来训练小型网络模型，以获得效果和性能更优的模型预测服务。

使用文本智能标注数据来训练模型的原理，有点像当前较为流行的模型蒸馏。

1.基于预训练模型生成「教师模型」

BML平台提供的文本智能标注，是使用了当前中文模型效果最好的预训练模型ERNIE2.0。

完成对少量人工标注数据学习后，可以对未标注数据进行预测，从而获得智能标注数据。

优化智能标注的过程中，系统会根据算法挑选出优先标注样本。用户对优先校验样本进行人工校验后，系统又会使用此部分样本重新训练模型，从而获得更精准的智能标注数据。

在使用上，一般重复这个过程1到2遍即可把全部数据给标注好。

2.将「教师模型」的能力教给「学生模型」

ERNIE完成对人工标注数据学习后，生成的模型称之为「教师模型」，通过预测的大规模无监督语料，把「教师模型」的泛化能力通过模型训练教给「学生模型」。如下图所示：

所以，可以使用智能标注数据，在训练任务配置中，不使用ERNIE预训练模型。通过选择小型的网络，即可训练出效果逼近「教师模型」ERNIE Large的模型。

三、启动智能标注获得智能标注数据

1.准备工作

智能标注任务，是对一个数据集中的未标注数据进行智能标注。点击左侧“数据总览”，在出来的界面中点击“创建数据集”，并上传一定量的已标注数据和未标注数据。

找到刚刚创建好的数据集，点击“导入”：
我首先导入了16000条未标注的数据：

去重后，只有15969条数据，接着导入2000条已标注数据：

最终导入了1998条已标注数据，此时已标注与未标注数据的比例是1：10

2.创建文本智能标注任务

点击“标注”进入如下界面：

点击“开启智能标注”，此时平台将会根据已标注数据训练一个教师模型，然后用教师模型标注未标注数据。

此时可以在“智能标注”找到刚刚提交的标注任务：

• 预学习阶段耗时约30-60分钟不等，根据数据集中已标注数据的量而定。
• 智能标注阶段的耗时跟提交的未标注数据量正相关，即数据量越大，耗时将越长

我自己的数据集在做智能标注时花了大概半个小时的时间，这段时间可以去忙别的，喝口茶。（感觉就像是雇了一个机器员工，让它帮你标注数据，还不用给钱！）

注意：

如果已标注数据少于600条，或每个标注标签的数据量未超过50条，抑或是未标注数据的数据量未超过600条，则会出现错误提示

3.完成标注并查看标注数据

标注完成后，点击“查看结果”，即可看到智能标注的概况：

点击“立即查看”，跳转到如下界面，：

此时数据集被分为「无标注信息」、「有标注信息（人工）」和「有标注信息（智能）」三个标签。

完成智能标注的数据，将放置在「有标注信息（智能）」中, 可以对智能标注数据进行人工校验，完成校验的数据，将被转移到「有标注信息（人工）」，代表此样本确认无误。

也可以在「有标注信息（智能）」中，查看本次智能标注的准确率，以及智能标注数据的总样本数。

4.优化智能标注

如果对智能标注的准确率不满意，可以点击「优化智能标注效果」，来对全部的智能标注数据进行优化。

点击“开始校验”即可进入标注界面：

标注了超过100条数据以后，可以点击“启动效果提升”

此时系统将会根据刚刚新标注的数据继续训练「教师模型」：

5.再次启动智能标注

此时，可以继续在此数据集下，增加「未标注」数据，并对新增的「未标注」数据进行智能标注。

点击“再次启动”即可再次开启智能标注。此时，智能标注的数据将比「优化智能标注」前质量更高。

最后，完成标注后可以查看数据集的各个标签以及每个标签的数据：

整个流程做下来只花了大概1个小时的时间，这个速度还是非常快的！把之前要人工连续干24小时的工作直接压缩到了1个小时，真的非常高效！

四、总结与升华

总的来说，智能标注这个功能我是非常喜欢的，毕竟可以把更多的时间用在模型开发而不是数据标注上（我不是很喜欢做重复的工作，数据标注真的费时又费力，标注一天，人都要傻了）。

使用BML平台的智能标注功能，只需要少量的标注数据，即可给大量的未标注数据做标注，准确且省时，我觉得这才是真正的人工智能！