2026年人工智能训练师实操考试题及答案.docxVIP

2026年人工智能训练师实操考试题及答案

一、数据采集与处理实操题（共2题，总分30分）

第1题：多模态训练数据清洗与标注体系搭建（15分）

【考核要求】给定某短视频平台的15000条短视频片段-文本描述配对数据集（每条数据包含10s以内的竖屏短视频片段、对应的用户上传标题），用于微调短视频内容标签分类多模态大模型。请完成以下操作：

1.完成数据去重与异常值剔除，输出合格数据集的数量范围与质量校验标准；

2.搭建适配短视频内容分类的3级标注体系，覆盖12个一级分类、45个二级分类、120个三级分类；

3.设计标注质量管控机制，确保最终标注数据的准确率≥97%、标注一致性Kappa系数≥0.78。

【参考答案】

1.数据去重与异常值剔除方案

采用“视频特征+文本特征”双维度匹配策略完成去重与异常值筛选：

（1）数据去重：视频端提取每秒1帧的关键帧（单条视频共10帧），计算感知哈希（pHash），汉明距离≤5判定为内容重复视频；文本端采用SimHash算法计算标题的哈希值，汉明距离≤3判定为重复标题。当视频与文本同时满足重复条件时，判定为重复数据，仅保留上传时间最早的1条。最终去重后数据量约为13200条，重复率≤0.5%。

（2）异常值剔除：共剔除三类异常数据：①格式异常：视频损坏、黑屏、花屏，或文本长度2字、100字的无效数据，占比约4%；②匹配异常：采用预训练CLIP