阿里巴巴数据技术及产品部-AI数据标注专家-VL方向
任职要求
1. 2年以上多模态数据经验：在头部大模型公司、多模态AI搜索、文档/视频理解等相关领域，有2年以上核心数据标注、标注PM或数据运营相关经验。
2. 硕士及以上学历，专业不限（美术、数字媒体、设计、计算机、地理信息等专业优先）。
3. 具备较强的空间想象力与细…工作职责
1. 主导多模态理解大模型训练数据的标注体系设计，对接多模态算法团队，将算法团队的图文交织、高精度OCR、精细化图像描述等研究需求，转化为可执行、无歧义、可规模化的标注规范与执行流程。 2. 管理并培训视觉标注团队/供应商，拆解图文对齐任务，优化复杂的“多层级标注”的生产效率。 3. 建立严格的图像质量过滤标准（模糊、过度曝光、低俗涉黄、隐私违规等），确保进入训练集的图片在执行层做到100%合规与高清。 4. 承接评测团队和线上反馈的BadCase，针对多模态模型常见的视觉幻觉，设计针对性的反幻觉标注模版，并沉淀高质的“真/伪”对比范例。
1. 面向端到端原生多模态大模型（如流式语音通话），制定关于音频特征、情绪语气、环境背景音、实时插话（Interruption）和语气词（如喘气、叹气、笑声）的复合标注标准。 2. 参与生产高质量的音视频文本三维交织样本。不仅标注“说了什么”，更要精准标注“什么时间点说、用什么情绪说、背景有什么声音”。 3. 负责对供应商交付的音频分段、音乐流派标签、节奏打点、人声分离数据的合格率进行硬核把控，通过盲听与多轮复审杜绝错标。 4. 参与产品团队在执行层不断试验、重组标注工具的UI界面与交互逻辑，降低标注员的听觉疲劳，提升人效。
1. 平台战略规划与设计：深入全链路业务场景，通过业务分析、用户研究、竞品分析等，对内部产品平台进行整体战略规划与架构设计，深度洞察业务需求与用户反馈，推动平台功能的持续优化与用户体验的全方位提升。通过创新思维与技术手段，确保平台在行业内保持领先地位。业务方向包含但不限于智能标注产品、专家社区产品、评测产品、资源管理产品等 2. 智能化工具开发与升级：深度参与产品工具的开发与迭代升级，主导智能化功能的落地实施，显著提升数据标注及作业效率与准确性。通过引入前沿技术，推动产品工具的智能化转型，助力团队在数据标注领域实现技术突破。 3. 平台运营策略与用户增长：制定并执行负责产品的运营策略，通过线上线下多渠道推广，提升产品用户的使用量。构建创新的用户激励机制，激发标注人员的积极性与忠诚度，打造高活跃度的用户产品。 4. 行业动态与市场趋势洞察：持续关注数据标注行业的前沿动态与发展趋势，定期开展市场调研，深度分析竞争对手的产品与运营策略。基于市场洞察，提出创新的产品优化与运营改进方案，确保平台在激烈的市场竞争中保持核心竞争力。
1、参与集团级AI数据引擎：负责多模态数据（文本、音频、图像、视频）的采集、清洗、处理、治理与资产化管理，打造可复用、可观测、可解释的 EB 级数据体系，支撑大模型训练与推理的高质量数据供给； 2、多模态数据智能化处理：主导音频/视频/图像等模态的自动理解、标签体系构建、语义特征抽取、质量建模与自动化治理；设计并训练分类、识别、预测等多模态模型； 3、AI Native数据Pipeline建设：使用LLM+Agent框架构建智能数据Pipeline，实现数据分渠道过滤、去重、质量诊断、调度编排和异常告警等环节的自动化，显著降低人力成本； 4、数据&模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集，并在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现数据 → 模型 → 评测 → 数据的循环优化； 5、数据资产治理：负责元数据、数据血缘、分类分级、质量评分、数据标准、价值评估等治理框架的设计与落地，推动数据资产的可视化与可运营化，让数据可管理、可复用、可增长； 6、与模型团队协作，参与训练数据构造、数据反哺、短板挖掘和评测闭环建设，通过数据驱动模型能力提升，成为AI模型训练的数据核心驱动力；
1、参与集团级AI数据引擎：负责多模态数据（文本、音频、图像、视频）的采集、清洗、处理、治理与资产化管理，打造可复用、可观测、可解释的 EB 级数据体系，支撑大模型训练与推理的高质量数据供给； 2、多模态数据智能化处理：主导音频/视频/图像等模态的自动理解、标签体系构建、语义特征抽取、质量建模与自动化治理；设计并训练分类、识别、预测等多模态模型； 3、AI Native数据Pipeline建设：使用LLM+Agent框架构建智能数据Pipeline，实现数据分渠道过滤、去重、质量诊断、调度编排和异常告警等环节的自动化，显著降低人力成本； 4、数据&模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集，并在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现数据 → 模型 → 评测 → 数据的循环优化； 5、数据资产治理：负责元数据、数据血缘、分类分级、质量评分、数据标准、价值评估等治理框架的设计与落地，推动数据资产的可视化与可运营化，让数据可管理、可复用、可增长； 6、算法与工程一体化协作：与模型团队协作，参与训练数据构造、数据反哺、短板挖掘和评测闭环建设，通过数据驱动模型能力提升，成为AI模型训练的数据核心驱动力；