データラベリング（）とは、機械学習（ML）モデルや人工知能（AI）システムの訓練に使用するために、生データ（画像・テキスト・音声・動画など）に意味的なタグ（ラベル）を付与するプロセスである。
データアノテーション（data annotation）とも呼ばれる。付与されたラベルは「正解データ」（グラウンドトゥルース, Ground truth）として機能し、モデルがデータ内のパターンや特徴を学習するための基盤となる。
データラベリングは、教師あり学習において不可欠な前処理工程であり、コンピュータービジョン・自然言語処理（NLP）・音声認識・自動運転車開発など、現代のAI応用のほぼすべての領域において重要な役割を担う。大規模言語モデル（LLM）の普及に伴い、人間のフィードバックによる強化学習（RLHF）の文脈でもデータラベリングの重要性が急速に高まっており、市場規模の急拡大が続いている。 その反面、AI開発のボトルネック問題、ラベリング品質問題、労働問題など課題も多い（後述）。
概要
データラベリングのプロセスは、まず生データを収集し、各データ点に対して一つ以上の識別ラベルを付与することから始まる。付与されるラベルは「情報量があり、特定性が高く、かつ独立している」ことが高品質なモデルを生み出す条件とされる。たとえば、写真に「鳥が写っているか否か」を示すラベルを付与したり、音声録音の中で発話された単語を記録したり、X線画像に腫瘍の有無を記録したりする作業がデータラベリングに相当する。
訓練データのラベルは「グラウンドトゥルース（Ground truth）」とも呼ばれ、機械学習アルゴリズムが参照する模範解答として機能する。ラベルの品質がモデルの性能を直接左右することは実証的に示されており、コンピュータービジョンのベンチマークでは、訓練データのラベル精度を90%から99%に改善することで、より大型のモデルアーキテクチャへの切り替えに相当する性能向上が達成されることが報告されている。
現代のAIプロジェクトにおいて、データ準備に費やされる工数は全体の80%以上に達するとされ、データラベリングはAI開発における主要なボトルネックの一つとして認識されている。
背景・開発経緯
データラベリングの必要性は、教師あり機械学習の登場とともに生まれた。 データラベリングの実践が本格的に注目を集めるようになった転換点は、2006年にフェイフェイ・リー（李飛飛）がスタンフォード大学で構想を開始した画像データセット「ImageNet」の構築プロジェクトである。ImageNetは1,400万枚を超える画像に手動でラベルを付与した大規模データセットであり、そのラベリング作業にはAmazon Mechanical Turk（AMT）を通じた約25,000名のクラウドワーカーが動員された。2009年にImageNetが公開され、2012年にはAlexNetがImageNet Large Scale Visual Recognition Challenge（ILSVRC）で圧倒的な差で優勝したことで、大量のラベル付きデータがディープラーニングの性能に与える影響が広く認識されるようになった。
その後、自然言語処理・音声認識・自律走行など、AIの応用領域の拡大に伴い、ラベリング対象データの多様化と大規模化が進んだ。大規模言語モデルの発展とともに、人間の価値観や嗜好をモデルに反映させるための人間フィードバックベースのラベリング（RLHF）が2020年代に主要な手法として台頭した。
主な種類・手法
データの種類によるラベリング
画像・動画アノテーション 画像内のオブジェクトに境界ボックス（バウンディングボックス）・ポリゴン・セマンティックセグメンテーション・キーポイントなどを付与する手法。コンピュータービジョン・自動運転・医療画像診断などに用いられる。2024年には全ラベリングタスクの約44%を画像データが占めた。
テキストアノテーション テキストデータに対して感情分析・固有表現認識（NER）・品詞タグ付け・テキスト分類・エンティティ関係抽出などのラベルを付与する。自然言語処理モデルの訓練に不可欠であり、2024年では全タスクの約30%を占めた。
音声アノテーション 音声データの書き起こし（トランスクリプション）・話者識別・感情タグ付けなどを行う。音声認識システムや音声AIアシスタントの訓練に使用される。
点群（ポイントクラウド）アノテーション LiDARセンサーが取得する3次元点群データに対してオブジェクトの3Dバウンディングボックスを付与する手法。自律走行車の開発において特に重要である。
ラベリング手法によるアプローチ
手動ラベリング（Manual Labeling） 人間のアノテーターが一つひとつのデータ点を確認し、ラベルを付与する最も基本的な手法。精度が高い一方、時間とコストがかかる。2025年時点でも手動ラベリングは市場の約78%のシェアを占めている。
半自動ラベリング・人間参加型ループ（Human-in-the-Loop） 機械学習モデルが事前ラベル（プレラベル）を生成し、人間が確認・修正を行う手法。作業効率と精度のバランスをとる。
弱い教師あり学習（Weak Supervision） 完全な正解ラベルの代わりに、ヒューリスティックなルール・既存の知識ベース・ノイズのある情報源などを組み合わせてラベルを生成する手法。スタンフォード大学のAlexander Ratnerらが開発したSnorkelは、弱い教師あり学習のための代表的なフレームワークであり、手動ラベリングなしに最先端モデルを訓練できることが示されている。
能動学習（Active Learning） モデルが不確かさの高いデータ点を選択し、人間のアノテーターに優先的にラベリングを依頼するイテレーティブな手法。ラベリングコストを抑えながら効率的にモデルを改善する。
人間のフィードバックによる強化学習（RLHF） ChatGPT・Gemini・LLaMAなどの大規模言語モデルの微調整とAI安全性調整において主流となった手法。人間のアノテーターがモデルの出力を複数の観点（有用性・無害性・正確性・一貫性など）で評価し、ペアワイズ比較によるランキングやスコアリングを行う。これらのアノテーションは報酬モデルの訓練に使用され、強化学習（近接方策最適化：PPO）を通じてLLMを調整する。RLHFにおけるアノテーターの合意率は微妙な比較タスクで30〜50%程度にとどまることが知られており、人間の判断の多様性がモデル調整の課題となっている。
品質管理
データラベリングの品質は最終的なモデル性能に直結するため、様々な品質管理手法が採用されている。複数のアノテーターが同じデータ点にラベルを付与し、その一致度（アノテーター間一致率：IAA）を測定することが一般的である。また、正解が既知の「ゴールドスタンダード」タスクをアノテーターに提示することで、個々のアノテーターの信頼性を継続的に評価するシステムも普及している。
産業・応用分野
データラベリングは以下の主要産業において広く活用されている。
自動車・自律走行 自動運転車の開発において、道路・歩行者・信号などを識別するための大量の点群・画像データのラベリングが必要とされる。自動車産業は2024年のデータラベリング市場において最大セグメントを形成した。
医療・ライフサイエンス 医療画像診断・病変検出・臨床記録の構造化などにラベリングが活用される。専門知識を要する医療ラベリングは最も成長速度の高いセグメントとして注目される。 自然言語処理・対話AI チャットボット・感情分析・機械翻訳などのNLPモデルの訓練にテキストアノテーションが用いられる。
小売・電子商取引 商品画像の分類・顧客レビューの感情分析・レコメンデーションシステムの改善に活用される。
セキュリティ・監視 顔認識・異常検知などのコンピュータービジョンシステムに使用される。
市場動向
グローバルなデータ収集・ラベリング市場は2024年に約37.7億米ドルと評価され、2030年までに約171億米ドルに達すると予測されている（年平均成長率28.4%）。
主要な市場参加者としては、Scale AI・Appen・Labelbox・Amazon Mechanical Turk（AMT）・iMerit・Samasourceなどが挙げられる。
2025年にはScale AIがMeta（旧Facebook）から150億米ドルの出資を受け、業界内での地位を強化した。
地域別では北米が2024年に約35%のシェアを占め、アジア太平洋地域が最も高い成長率を示している。
課題と批判
労働問題
データラベリングの実務は、世界中の大勢のワーカーによる低賃金・不安定な労働に依存している部分が大きい。とシッダース・スリが著書 Ghost Work（2019年）で指摘したように、AIシステムの背後には「ゴーストワーカー」と呼ばれる不可視の労働力が存在し、雇用保障・福利厚生・公正な賃金・社会的認知を欠いた条件のもとで働いている場合が多い。
Amazon Mechanical Turkのワーカーの中央時給は約3.50米ドルと推計されており、多くの国の最低賃金を大幅に下回る水準にある。また、200億語相当のデータにラベルを付与するコストは最低賃金で換算した場合に1億米ドルを超えるとの試算もある。
2023年9月には米国の上院議員・下院議員8名（エドワード・マーキー上院議員、プラミラ・ジャヤパル下院議員らが主導）がAlphabet・Amazon・IBM・Meta・Microsoftほかのテクノロジー大手の最高経営責任者に書簡を送付し、データラベリング労働者の「ゴーストワーク」の労働環境改善・透明性向上・公正な報酬を求めた。
SOMOの調査によれば、Amazon・Google・Meta・Microsoft・Nvidiaは少なくとも30社以上の仲介企業を通じてデータラベリング業務を外注しており、そのうち複数社が最低賃金以下での支払い・不当解雇・労働組合活動の妨害・社会的保護の欠如といった問題を抱えていることが報告されている。
バイアスと品質の問題
アノテーターの文化的背景・価値観・専門知識の差異は、ラベルの一貫性に影響を与え、最終的にはモデルのバイアスに繋がるリスクがある。特にRLHFにおける微妙な比較タスクではアノテーター間の不一致率が30〜50%に達することが報告されており、人間の判断の多様性に起因する課題への対応が求められている。
コンテンツモデレーションと精神的健康
有害コンテンツのフィルタリング・モデレーションを行うアノテーターは、暴力・虐待・極端な表現などの有害素材を繰り返し見せられて曝露されることで深刻な精神的健康被害を受けることが報告されている。ケニアのFacebookコンテンツモデレーターに関する調査では、140名以上がPTSDと診断されたことが報告されている。
関連項目 機械学習 教師あり学習 自己教師あり学習 アクティブラーニング データセット ImageNet（大規模画像データセット） フェイフェイ・リ（ImageNetの創設者） マヌ・チョプラ（インドでAI学習用データを整備する事業家） Scale AI（en版：Scale AI）（データラベリング専門企業） アレクサンドル・ワン（Scale AI創業者） 自然言語処理 人間フィードバックによる強化学習（RLHF） Amazon Mechanical Turk クラウドソーシング グラウンドトゥルース（Ground truth）
脚注
外部リンク
What is Data Labeling? - Amazon Web Services Data labeling: a practical guide - Snorkel AI Big Tech sets unfair terms and conditions for AI data workers globally - SOMO CVAT – Computer Vision Annotation Tool（公式サイト） Label Studio（公式サイト）
脚注