Как спроектировать набор данных и стратегию разметки: дерево классов, инструкция для разметчиков, эталонные и черновые метки, пограничные случаи?

Подход, где в центре данные (Data-Centric AI): качество данных часто даёт больше, чем смена архитектуры. Этапы: дерево классов (закрытый или открытый набор, иерархия или плоский список, служебные метки unknown/disagreement), инструкция для разметчиков (примеры «да» и «нет», дерево решений, с версиями), эталонные метки (эксперты + разрешение споров, тестовый набор) против черновых (массовые разметчики, обучение) против совсем грубых (псевдо-метки от модели). Как отбирать примеры: случайно / по слоям / по неуверенности модели / по разнообразию. Порядок работы: пробная партия → замер согласованности → основная разметка → разрешение спорных случаев.