主要观点：AI 模型基础可能建立在未知的有缺陷数据上，AI 数据标注时代已发生巨大转变，传统质量控制框架已不适应现代复杂标注需求，需探索新的质量控制策略。
关键信息：

• 现代数据标注更复杂，传统质量控制方法不足，如标注员间一致性增加但存在误导性、质量控制专家易疲劳致细节遗漏、固定黄金标准过时、采样方法不足、质量测量过于简单等。
• 可通过分层质量检查（三级评审系统）、动态和任务特定质量指标（如语义一致性等）、结合自动化和人工审查（主动学习算法）、自动化实时反馈循环等新方法来转变质量控制。
  重要细节：
• 在图像标注中，用多边形标注突出边界检测精度的重要性。
• 实时反馈循环可检测标注员准确性下降等问题并及时干预。
• 思考特定错误类型、标注错误集群情况及质量控制框架结构等问题以评估当前质量控制实践是否与所建 AI 模型的复杂性相匹配。