用途：该技能面向机器学习数据标注（data annotation）流程的设计与管理，覆盖从任务规划到质量控制的完整标注循环。
主要能力：
- 标注流程设计：规划任务、编写 guidelines、小样本试点、全量扩展、持续质量监控与迭代改进。
- 任务类型覆盖：分类、目标检测（bounding boxes）、分割（像素级）、NER、情感分析、音频转写。
- 质量度量：使用 sklearn 的 cohen_kappa_score、fleiss_kappa 计算标注者间一致性（IAA），并用 precision、recall、f1、accuracy 对照 gold standard 评估；支持按窗口检测质量漂移（下降超过 5% 判定为漂移）。
- 工作流自动化：通过 label_studio_sdk 的 Client 创建项目、导入任务、导出标注；提供主动学习采样（不确定性策略、多样性策略）与模型更新流程。
- 标注者管理：新标注者资格测试（默认通过阈值 0.85）、绩效追踪（任务数、平均耗时、平均质量、每小时任务量）。
使用方式：资料给出的是 Python 类与函数示例，包括 calculate_agreement、AnnotationQualityMonitor、AnnotationPipeline、ActiveLearningAnnotation、AnnotatorOnboarding、AnnotatorPerformanceTracker 等，可按需集成到自有标注流水线中。
适用场景：需要构建或优化 ML 标注流程、制定标注规范、监控标注质量与标注团队绩效的团队。
限制：资料未提供具体安装命令、依赖版本、收费与价格信息；工具对比表中的成本、人力、ML 辅助等描述仅为资料原文，未给出确切价格。部分代码依赖 numpy、sklearn、label_studio_sdk、datetime 等库，实际使用需自行确认环境。