[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-data-labeling::ru":3,"gloss-cluster-data-labeling::ru":26,"gloss-next-data-labeling::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"data-labeling","mlops","Разметка данных","Разметка данных — работа по присвоению каждому примеру в наборе правильного ответа, чтобы модель можно было на нём обучить или проверить: пометить обращение как биллинг или баг, обвести дефект рамкой, приписать расшифровке намерение, оценить ответ модели как приемлемый. Это самая невзрачная и самая решающая часть большинства прикладных ML-проектов, потому что модель не может быть последовательнее разметки, на которой училась: шумные метки ставят жёсткий потолок измеримого качества, который не пробивается никакой настройкой модели. Успех разметки определяют три вещи. Письменная инструкция, разбирающая не только очевидные, но и спорные случаи, — расхождения почти всегда касаются пограничных ситуаций, которые никто не описал. Измеренный уровень согласия между разметчиками, показывающий, достаточно ли вообще определена задача, прежде чем её масштабировать. И цикл проверки, потому что качество меток падает на длинных сменах и дрейфует по мере переосмысления инструкции. В работе с языковыми моделями разметка не исчезла, а сместилась. Меньше её уходит в обучающие данные и больше — в наборы для оценки, попарные сравнения и критерии приёмки, то есть в те размеченные примеры, которые решают, помогло ли изменение промпта или модели. Метки, сгенерированные моделью, дёшево поднимают набор с нуля, но честным его держит проверенный человеком срез: модель, оценивающая вывод собственного рода, наследует его слепые зоны.","Разметка данных присваивает примерам эталонные ответы для обучения и оценки: почему качество решают инструкция, уровень согласия и цикл проверки.",null,[11,14,17,20,23],{"slug":12,"name":13},"golden-dataset","Золотой датасет",{"slug":15,"name":16},"human-in-the-loop","Человек в контуре (Human-in-the-Loop)",{"slug":18,"name":19},"inter-annotator-agreement","Согласие между разметчиками",{"slug":21,"name":22},"supervised-learning","Обучение с учителем",{"slug":24,"name":25},"synthetic-data","Синтетические данные (Synthetic Data)",[27,31,35,38,41,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Батч-инференс",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Канареечный промпт",{"slug":42,"category":5,"name":43,"updated_at":44},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)","2026-08-24T02:46:37+00:00",{"slug":46,"category":5,"name":47,"updated_at":34},"class-imbalance","Дисбаланс классов",{"slug":49,"category":5,"name":50,"updated_at":34},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":52,"category":5,"name":53,"updated_at":34},"cross-validation","Перекрёстная проверка",{"slug":55,"category":5,"name":56,"updated_at":44},"drift-detection","Обнаружение дрейфа (Drift Detection)",{"slug":58,"category":5,"name":59,"updated_at":44},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":61,"category":5,"name":62,"updated_at":44},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)",{"slug":64,"category":5,"name":65,"updated_at":34},"explainability","Объяснимость"]