数据标注不是一项任务，它需要大量的技能，知识和精力为未来机器学习培训标注数据。但是，在标注不同类型的数据时，会遇到各种问题，使标注任务花费更多时间并且效率低下。

痛点1：数据质量参差不齐

数据标注的质量直接决定了AI模型的准确性和效率。然而，由于标注员的专业水平、理解差异及疲劳作业等因素，标注结果往往难以保证高度一致性。

目前数据标注行业存在很严重的数据质量问题。相关数据显示，当下数据标注行业单次交付达标率低于50%，三次内交付达标率低于90%，远远不能满足AI企业的需求。

痛点2：技能门槛提高，人才短缺

数据标注某种意义上来说也是一项劳动力密集的产业，需要大量劳动力。

然而随着AI应用的广泛普及，数据标注向高技术含量、高知识密度和高价值等特性发展，有更多的高质量人才需求。

痛点3：服务效率低

目前数据标注行业主流的项目运营模式是“众包”或“转包”为主，数据服务企业很难对标注团队做到直接有效的管理，随着人工智能技术的发展，比如智慧城市、自动驾驶等，每年都需要海量的标注图片，如何在保证数据质量的同时，提升标注效率，成为摆在行业面前的一大难题。

痛点4：数据安全隐患大，法律风险高

在数据标注过程中，不可避免会接触到大量敏感信息，如用户画像、个人偏好等。

如何在保护用户隐私的同时，高效完成标注任务，成为亟需解决的问题，因为一旦信息泄露，不仅损害用户权益，还可能给企业带来严重的法律后果。