¿Cuál es la tarifa del mercado para datos de IA dirigidos por expertos?

La era del etiquetado de datos de bajo costo y alto volumen está llegando a un punto de rendimientos decrecientes. A medida que los Modelos de Lenguaje Grandes (LLM) saturan la reserva disponible de texto de Internet público, la frontera del desarrollo de IA ha pasado de la cantidad a la calidad, específicamente, el razonamiento de alta fidelidad de los expertos humanos. Para las organizaciones que poseen conocimientos especializados, esto representa un pivote de la acumulación pasiva de datos a la monetización activa y de alto margen.

El cambio del etiquetado al razonamiento

En las primeras etapas de la visión por computadora, la preparación de datos significaba pagar a los trabajadores centavos por dibujar cuadros alrededor de las señales de alto. Hoy en día, la industria se centra en el Aprendizaje por Refuerzo con Retroalimentación Humana (RLHF) y el 'prompting' de 'Cadena de Pensamiento' (CoT). Los laboratorios de IA ya no solo buscan datos; buscan el proceso cognitivo detrás de una decisión. Es por eso que su experiencia profesional vale oro para los desarrolladores de IA que necesitan enseñar a los modelos a resolver problemas complejos legales, médicos o de ingeniería.

Según líderes de la industria como Scale AI, que recientemente recaudó $1 mil millones en financiación Serie F con una valoración de $13.8 mil millones (https://scale.com/blog/scale-series-f), la demanda de datos de 'frontera', datos que no existen en la web abierta, es el principal cuello de botella para la AGI. Estos datos de frontera son generados casi exclusivamente por expertos humanos que verbalizan su lógica interna.

Tarifas de referencia: ¿Cuánto cuestan los datos de expertos?

El mercado de datos de expertos está muy bifurcado. Mientras que el etiquetado de datos generalista todavía puede costar entre $15 y $25 por hora, los dominios especializados han experimentado un aumento masivo de precios. Basado en datos de reclutamiento activo de plataformas como Outlier y Remotasks (subsidiarias de Scale AI), los siguientes rangos horarios divulgados se han convertido en el estándar de la industria para la generación de datos:

• Ingeniería de Software (Lenguajes de nicho como Rust o CUDA): $60 – $150 por hora (https://outlier.ai/experts/).
• Profesionales Legales y Médicos: $100 – $300 por hora, dependiendo de la complejidad de la tarea de razonamiento.
• Matemáticas y Física (nivel de doctorado): $75 – $200 por hora.
• Escritura Creativa y Humanidades: $40 – $80 por hora para matices estilísticos de alta calidad.

Para las organizaciones, estas tarifas sugieren que los 'datos de proceso' internos, los pasos documentados que un ingeniero toma para solucionar problemas de una turbina o un abogado para redactar una cláusula específica, son significativamente más valiosos que el resultado final solo.

Cómo productizar la experiencia de su organización

Para capturar estos márgenes, los propietarios de datos deben ir más allá de la venta de documentos brutos. Los compradores buscan conjuntos de datos 'Gold Standard' que incluyan el prompt, la respuesta y los pasos de razonamiento verificados por humanos. Al evaluar sus activos en nuestro catálogo de conjuntos de datos, considere el siguiente marco de tres niveles para la valoración:

1. El Activo Bruto (Bajo Margen): PDFs internos, registros o transcripciones. Estos requieren una limpieza intensiva y a menudo carecen del 'por qué' detrás de los datos.

2. El Activo Anotado (Margen Medio): Datos que han sido etiquetados por especialistas dentro de su empresa, identificando entidades clave o sentimiento.

3. El Conjunto de Datos de Razonamiento (Alto Margen): Un conjunto curado de problemas complejos emparejados con soluciones de 'Cadena de Pensamiento' escritas por su personal senior. Estos son los 'datos de razonamiento' por los que compiten actualmente laboratorios como OpenAI, Anthropic y Google.

Criterios para datos de expertos 'a prueba de inversiones'

Los compradores de datos son cada vez más exigentes. Para que un conjunto de datos alcance un precio premium, debe cumplir criterios técnicos específicos. Un informe reciente de Cognizant sugiere que el 70% de los proyectos de IA se retrasan debido a la mala calidad de los datos (https://www.cognizant.com/us/en/insights/articles/data-quality-for-ai). Para evitar esto, asegúrese de que sus datos dirigidos por expertos cumplan estos estándares:

• Verificabilidad: ¿Se puede cotejar el razonamiento con una fuente de verdad conocida?
• Diversidad: ¿Los datos cubren 'casos extremos' que no se encuentran en los libros de texto estándar?
• Formato: ¿Está estructurado para RLHF (por ejemplo, proporcionando múltiples respuestas con clasificaciones y justificaciones de expertos)?

El impulso regulatorio: Por qué los datos humanos ganan

El auge de la Ley de Datos de la UE y los marcos de derechos de autor en evolución están convirtiendo los 'datos sintéticos' (datos generados por otras IA) en un campo minado legal. Los compradores están dispuestos a pagar una prima por los datos de 'Human-in-the-Loop' porque proporcionan una procedencia clara y reducen el riesgo de colapso del modelo, un fenómeno en el que los modelos entrenados con datos de IA se vuelven progresivamente menos inteligentes. Al vender datos verificados por expertos, usted proporciona una póliza de seguro legal y técnica para el comprador.

Lo que esto significa para usted

Si usted es un propietario de datos, su activo más valioso ya no es su archivo, sino la metodología de sus mejores empleados. Al formalizar cómo sus expertos resuelven problemas, puede crear conjuntos de datos de alto margen que los laboratorios de IA están desesperados por adquirir actualmente. Ya sea que esté buscando listar un conjunto de datos de razonamiento especializado o buscando adquirir retroalimentación experta de alta fidelidad para ajustar sus modelos propietarios, d-nvest proporciona el mercado y la inteligencia para valorar con precisión estos activos de 'inteligencia humana'.