在实际工作中，特别是针对专业领域的智能问答等场景中，除了标注所需的工具和原始数据处理方式外，四川数据标注工作对标注人员业务逻辑的要求将显著提升。

例如，商业银行的细分领域大模型应用中，业务部门和科技部门均对内部制度规范等场景的问答诉求较高，原因一方面是负责该领域的专家较少，日常工作难以找到准确的人快速提问；另一方面是长期积累的制度规范数量庞大，就算是专业领域专家可能也一时难以准确回答。

这类模型的训练需克服两大难点：一是通用大模型的训练过程中往往缺失专业领域的文档学习，需要大量的优质专业数据集进行增强训练，但这类内部问答场景较难像对客场景具备较多真实数据，其数据基础往往缺失；二是在此基础上，这类数据的准备强依赖于专家，进行数据准备的成本将非常高。

为更好地、有针对性地组织推进相关工作，根据是否具备上述两大难点，可以将数据标注划分为分类式标注和训练式标注两类。

分类式标注有两大特征：一是有明确的标注规则，无需复杂的业务逻辑介入，多为通用性对象的识别；二是无专业知识的人员可经过短期培训掌握标注方法，无需强依赖专家，例如OCR图片标注、语音转写、文本分类等场景。

与之相反，训练式标注的特征为：一是无法形成明确的标注规则，需要广泛的业务逻辑；二是需要由具备业务领域专业知识的人员完成，难以短期培养标注人员，例如专业领域的问答标注。