LLM-gestützte Datenannotation: ACT‑Pipeline reduziert menschliche Kosten um 90 %
In der heutigen Zeit, in der maschinelles Lernen stark von präzisen Labels abhängt, bleibt die Beschaffung solcher Daten ein kostspieliger und zeitintensiver Prozess. Neueste Ansätze nutzen große Sprachmodelle (LLMs) zur Annotation, doch die Qualität der automatisch generierten Labels erreicht noch nicht die menschliche Ebene.
