化学与化工
化学结构图识别与修正
化合物全称、Markush、不定型结构、复杂取代基识别与结构绘制修正。
OCSR结构绘制
§ 01
交付流程
四步一线 · 全程留痕交付流程PIPELINE
STEP 01
Schema 共建
与算法团队定义字段、类型、粒度、边界
STEP 02
AI 预标注
模型出初稿，专家在初稿上修改
STEP 03
专家精修
化学 / 新材料 / 医药 / 生物背景专家逐条改写
STEP 04
三级质检
Agent 检测、团队复核、专家仲裁
人力与 AI 的分工EFFORT SPLIT
AI 预标注出初稿（覆盖率因项目而异）
专家精修逐条复核
质检放行专家抽检 / 全量复核
数据形态示意
chemistry.v2
化合物 / 结构 / 关系
实体N-(4-羟基苯基)乙酰胺
别名对乙酰氨基酚 · Paracetamol
类型小分子药物
结构SMILES / InChI / 结构图
化合物全称
Markush
不定型结构
结构修正
§ 03
质量体系
全量三检 · 不放行未复核数据三级质检THREE-TIER QC
LEVEL 1
Agent + 知识库自动检测
基于 Schema 与领域知识库自动校验字段完整性、单位一致性、关系冲突
全量预检
LEVEL 2
数据质检团队复核
专业质检员按项目约定比例抽检或全量复核，标记疑点并回打修正
按约定覆盖
LEVEL 3
领域专家仲裁
化学 / 医药 / 材料背景专家终裁争议条目，结论回写标注规范
争议终裁
三级
质检机制
逐条
可回溯出处与标注人
§ 04
数据合规
六条约定 · 写入合同数据合规六条SIX CLAUSES
第一条
签署 NDA
项目启动前完成保密协议与人员授权名单。
第二条
数据不出域
在客户指定环境或隔离域内处理。
第三条
不二次利用
不用于其他客户，不用于训练自有模型。
第四条
隔离部署可选
支持云端独立环境、客户 VPC 或内网平台部署。
第五条
权限与审计
分角色权限，操作日志可导出核查。
第六条
交付后删除
按约定周期删除原始与中间数据。
§ 05
案例
真实交付场景
医药研发
活性试验数据结构化
测试物质、活性指标、数值单位、试验对象与方法的结构化抽取。
PK/PD表格抽取
生物序列
生物序列提取
蛋白/核酸序列、修饰信息、序列编号与跨页信息的提取和标准化。
序列标准化修饰拆解
新材料
新材料专利数据加工
固态电解质基础信息、工艺步骤、表征数据与性能指标结构化。
固态电解质专利加工
生物序列
中医药知识库构建
草药、成分、靶点、疾病数据清洗与候选成分筛选检索库构建。
知识库多表清洗
医药研发
生物医药专利序列关系标注
抗体序列抗原、轻重链配对与亲和力常数 KD/IC50/EC50 标注。
抗体序列亲和力
医药研发
医药管线数据更新
药物类型、靶点/MOA、适应症、研发阶段与管线状态持续监控。
管线监控DMP
新材料
材料专利实体与属性标注
材料实体、元素/组分、重量百分比、性能属性与制备工艺标注。
材料实体属性标注常见交付物DELIVERABLES
- 01结构化数据集JSON / CSV / Excel，字段与 Schema 一一对应
- 02标注规范文档字段定义、边界案例、验收标准
- 03质检报告抽检比例、错误分类、返修记录
- 04溯源日志每条数据对应原文位置、标注人、修改时间
§ 06
专栏
垂域数据笔记 · 持续更新不写行业新闻，也不写产品介绍。「垂域数据笔记」只记录一件事：当 AI 落到某个具体行业时，数据这一层究竟卡在哪里。内容覆盖场景难点、工程方法、合规要求与趋势判断。
数据标注准确率为什么不可靠
工程环节数据标注准确率衡量的是已标注样本，不是模型行为。本文用公开研究说明：为什么只含正例的数据集无法定义模型边界，标注分歧为什么是信号而不是噪声，评测集为什么会随年龄饱和，以及 PEN（正例 / 边界 / 反例）三类数据各自解决什么问题。
2026-10-01
§ 07