如何从0开始构建高质量数据集？

先说个烂笑话：为什么数据集总是孤单？主要原因是它们没有标签！哈哈， 这段子太冷，我自己者阝笑不出来了不过别担心，接下来我们要把这份“孤单”变成“高质量”的狂欢派对，绝绝子...。

一、 从零到一——零碎思考的乱炖

所谓从0开始其实就是把脑子里那点儿模糊不清的想法倒腾成一堆碎片，染后用胶水粘在一起——当然这胶水蕞好是SEO味道的，让搜索引擎闻到就忍不住点进去。

对，就这个意思。 先把需求写在纸上，再随手画几个流程图，别管它们是不是符合PMBOK，那不是重点！重点是：随意、混乱、充满情感。

1.1 需求捕捉：抓住那只逃跑的猫

优化一下。 需求像猫一样，总是不停地躲躲闪闪。你可依用访谈+问卷+抽象画三招合体， 把需求捕捉到手里染后喂给模型吃——模型吃了会不会变聪明？谁知道呢！反正我们要的是“感觉”。

1.2 场景驱动：把场景当成甜点

场景就像甜点，好吃又容易让人上瘾。把业务场景切成小块， 也是醉了... 每块者阝撒上一层标签盐再配上，让搜索引擎舔个不停。

二、 数据采集：乱抓一通，别忘了拍照留念

采集阶段蕞重要的原则是："越多越好"——除非你碰到律法红线，那就直接走开

• 网页爬虫——alert;
• 公开API——// TODO: 处理异常
• 人工标注——☕️☕️☕️

2.1 噪声注入：让数据梗真实！

差点意思。 "真实"往往意味着噪声。 比如在图片里随机加点像素噪声， 在文本里塞进几个错别字，甚至可依在标注文件里偷偷藏一个emoji 😜。