“新基建”的哨聲吹響，想必大家已經(jīng)從各個渠道感受到了產(chǎn)業(yè)智能化的火熱。
這一次，AI不再停留于“人工智能又碾壓人類了”的科幻劇情，而是化身為社會通用型技術，各種家居、汽車、商超、3C產(chǎn)品等領域，都開始高頻出現(xiàn)帶有AI身影的宣傳。
其中，人工智能三要素——數(shù)據(jù)、算法、算力中，最基礎、最核心的部分——數(shù)據(jù)，自然也就成為烹飪產(chǎn)業(yè)智能化這道美味所必不可少的原材料，也愈加受到更多矚目。
如果我們將產(chǎn)業(yè)智能化的紅利，看做是等待切分的蛋糕。那么坐在電腦前對圖片或文字一點點打上標簽的數(shù)據(jù)標注師，可能就是在智能沃土上種植小麥的人。
這些處理好的食物，被算法工程師拿到后投喂給機器，教會它們認識什么是貓，什么是狗，行人和紅綠燈的區(qū)別，“這幾天天天天氣不好”表達了什么意思……
聽起來，AI數(shù)據(jù)的“種植”是不是挺簡單的。確實，在人工智能前期發(fā)展階段，AI數(shù)據(jù)采集和標注，也常常被看做一個“沒有壁壘”的事情，甚至稱之為新時代的血汗工廠。
但就如粗谷吃多了總會開始追逐健康、有機、精加工，AI數(shù)據(jù)行業(yè)也早已在我們目之所及的地方，開啟了一次“制造升級”。
產(chǎn)業(yè)智能化的滋味，你和數(shù)據(jù)都想了解
雖然AI數(shù)據(jù)不是算法訓練的唯一要素，但絕對是不可或缺的一部分。
一方面，AI數(shù)據(jù)更豐富且廉價的領域，更容易誕生出AI的火苗。比如機器翻譯發(fā)展了數(shù)十年，積累了非常多的雙語對照語料，因此一遇機器學習便化龍，深度神經(jīng)網(wǎng)絡的引入很快讓翻譯系統(tǒng)的效果全面超越了以統(tǒng)計模型為基礎的SMT（統(tǒng)計機器翻譯）。如今，NWT神經(jīng)機器翻譯早已是智能語音產(chǎn)品的標配了。
另外，AI數(shù)據(jù)的質(zhì)量也決定了AI產(chǎn)品是否貼合使用場景，影響著用戶體驗乃至產(chǎn)品生命周期。在挖掘人工智能產(chǎn)業(yè)化富礦的時候，對AI數(shù)據(jù)的重視，再怎么強調(diào)都不為過。
由此，也誕生出了專業(yè)的第三方AI數(shù)據(jù)產(chǎn)業(yè)鏈，來滿足高質(zhì)量、大規(guī)模的數(shù)據(jù)需求。
不過，當人工智能高歌猛進的時候，AI數(shù)據(jù)產(chǎn)業(yè)的掣肘也接踵而至。
首先，傳統(tǒng)的爬蟲或眾包模式，數(shù)據(jù)采集的多而淺，難以滿足高性能、高精準算法對數(shù)據(jù)的需求。舉個例子，在金融等場景中，銀行對人臉識別算法的精準度要求可能是99.99%，才能達到保護客戶財產(chǎn)安全、防范安全風險的級別，傳統(tǒng)的平面臉部數(shù)據(jù)顯然是不夠的，需要維度更加豐富、角度更加多樣的3D臉部圖像才能訓練出所需的算法。
此外，機器學習的數(shù)據(jù)依賴，也增加了AI訓練的直接成本。無論是采集或購買數(shù)據(jù)本身的支出，還是調(diào)用數(shù)據(jù)增強等技術來增加數(shù)據(jù)樣本，背后都是不小的成本。
至于AI學術界剛剛興起的膠囊網(wǎng)絡、少樣本甚至零樣本學習等，雖然能不必再為數(shù)據(jù)規(guī)模而掣肘，但目前都還在實驗室階段，在產(chǎn)業(yè)落地上的成熟和穩(wěn)定性都不可預知，距離實用還有很遠的距離。所以在當下，以深度神經(jīng)網(wǎng)絡為核心的機器學習，依然是人工智能走向產(chǎn)業(yè)化的技術托舉。這也決定了對AI數(shù)據(jù)的饑渴，將在一段時間內(nèi)始終伴隨AI行業(yè)的發(fā)展。
從產(chǎn)業(yè)化與工程化的邏輯視角來看，今天企業(yè)想要打造出效果與口碑受到肯定的AI產(chǎn)品，可能購買的通用型“面粉”已經(jīng)不能滿足挑剔的用戶了，還得學會自己耕種數(shù)據(jù)的沃土。
夜來南風起，小麥覆隴黃：AI數(shù)據(jù)場景化的成熟時
新基建的風潮一來，AI數(shù)據(jù)產(chǎn)業(yè)也以超乎預期的速度在飛馳生長。
原因無他，數(shù)字技術與千行萬業(yè)的融合，是今天中國普遍展開的主基調(diào)，而數(shù)據(jù)更是遍灑在大地上的種子，等待完成一場智能的豐收。
那么，到底需要怎樣的種植邏輯，才能讓它們茁壯生長，有資格進入生產(chǎn)車間，最后變成滋養(yǎng)社會智能的高營養(yǎng)食品呢？答案或許也隱藏在中國人的“耕種天賦”里：
第一，尊重規(guī)律的專業(yè)化。
我們知道，一些有實力的科技大廠如BAT，往往都自建數(shù)據(jù)中心，來完成算法的精進。而對于更廣大的企業(yè)來說，面對的是一片數(shù)據(jù)的洪潮，爆炸式創(chuàng)新也必然帶來爆發(fā)式增長的數(shù)據(jù)規(guī)模，有預測顯示，到2025年有80%的計算來自于AI計算，涉及的數(shù)據(jù)也有180ZB之多，比現(xiàn)在增長了4倍。要在如此龐大且復雜的數(shù)據(jù)群落里，找出最適宜自家土壤的“種子”，顯然不是一件容易的事。
此前就有谷歌工程師在被問到眾包平臺M-Turk（在公開平臺發(fā)布任務，參與者自由申領）的效果時，聲稱“回收的數(shù)據(jù)良莠不齊”。
用一句AI界的話來說，“garbage in，garbage out”，如果喂給算法垃圾食材，在無監(jiān)督學習的情況下，就很有可能發(fā)展出讓產(chǎn)品口碑崩盤的病灶。
比如此前市面上就出現(xiàn)過一款針對青少年的智能音箱，在對話時突然冒出了臟話。原來是訓練時沒有對數(shù)據(jù)集做好清洗，導致不良數(shù)據(jù)混了進去，讓AI化身“祖安人”，廠商不得不臨時全面停止調(diào)用，重新進行大規(guī)模的內(nèi)部審查。
要是再一不小心用到了被限制的數(shù)據(jù)，比如歐盟GDPR通用數(shù)據(jù)保護條例的紅線，那不僅失去了當年的收成不說，很可能還要搭上一大筆賠款。真是谷歌聽了沉默，F(xiàn)acebook聽了流淚。
難以把控的數(shù)據(jù)質(zhì)量，很可能讓企業(yè)的心血直接變成秋風中的寂寞。所以，更為專業(yè)的數(shù)據(jù)采集與標注平臺，也就成為珍惜天時地利的AI企業(yè)者們所需要的伙伴。
第二，因地制宜的場景化。
在商業(yè)AI數(shù)據(jù)平臺中，“基于AI落地場景”是一個相對較新的模式。
是開源數(shù)據(jù)集不香，還是通用數(shù)據(jù)不便宜呢？場景化數(shù)據(jù)開始流行，或許與AI計算產(chǎn)業(yè)接下來發(fā)展可能觸碰到的一個矛盾點有關，那就是競爭。
我們知道，目前AI已經(jīng)成為一種通用目的技術GPT，這也代表著它會以更廣泛地姿勢融入人類社會，在此基礎上生發(fā)出新產(chǎn)品新技術，甚至更新生產(chǎn)和組織方式。
既然是GPT，就意味著泛AI算法不再稀缺，而是遍布在日常生活中的水和空氣。如何在AI產(chǎn)品上與同業(yè)者拉開競爭身位，從AI數(shù)據(jù)上重新奠定自己的核心優(yōu)勢，就成為科技企業(yè)們的必然選擇。
舉個例子，以前的商超門店大家都沒有智能化，如今則幾乎每家店都在嘗試引入零售智慧解決方案。這種情況下，一個零售商超的企業(yè)主，掌握了自己的獨家的場景化數(shù)據(jù)，也就能夠更精準地認識自己的經(jīng)營狀況。比如在此基礎上了解顧客面對貨架、在場內(nèi)走動的表情，能夠輔助判斷陳列方案以及個性化的營銷推送，進一步提高轉化和復購。
這種更高級別的場景化數(shù)據(jù)，想要獲取并交付給算法端去使用，并不是一件簡單的事。
云測數(shù)據(jù)總經(jīng)理賈宇航舉了一個例子，比如在線上訂票這樣的對話場景中，會有許多種表達方式，“有去XX的航班嗎”“幫我查一下機票”……如何讓AI助理在不同的表達中都能明白對方的意圖，就需要AI數(shù)據(jù)服務企業(yè)與訂票平臺仔細地對接需求，并在標注時往適當?shù)姆较蛉ゲ鸾夂妥鳂I(yè)，這樣才能因地制宜，讓大量高質(zhì)量的數(shù)據(jù)轉化為垂直行業(yè)的智能養(yǎng)料。
一個有意思的數(shù)據(jù)是，盡管今天我們已經(jīng)聽到了太多AI的新聞，但AI與行業(yè)結合的整體滲透率只有4%。在未來很長的一段時間內(nèi)，對于數(shù)據(jù)場景化的押注，值得重點關注。
第三，提升能效的工程化。
當然，伴隨著數(shù)字經(jīng)濟進入成熟期，二話不說就對AI一擲千金的情況已經(jīng)不存在了。企業(yè)在選擇數(shù)據(jù)模式時，勢必會考慮投入產(chǎn)出比。
那么場景化數(shù)據(jù)的重工重時，是否能夠讓產(chǎn)業(yè)智能化達到最大化回報呢？
答案是，不一定。場景化數(shù)據(jù)的成本并不低，“有多少人工，就有多少智能”在這里體現(xiàn)得淋漓盡致。曾經(jīng)有某AI算法平臺的工作人員告訴我，為了訓練出一個精準識別人體動作的模型，他們合作的3D建模數(shù)據(jù)方會聘請人員，在姿勢采集中心拍攝好CV數(shù)據(jù)，因為數(shù)據(jù)量太大，只能放在硬盤里，靠工作人員不斷往返兩地，將數(shù)據(jù)送到實驗室。
聽起來是不是一點也不“高科技”？
所以，工欲善其事必先利其器，隨著場景化AI數(shù)據(jù)產(chǎn)業(yè)的發(fā)展，工程化能力的提升、效率工具的引入，才會讓場景數(shù)據(jù)的整體成本接近商業(yè)平衡點，降低AI企業(yè)的成本風險。
顯然，對于AI數(shù)據(jù)的場景化，既是產(chǎn)業(yè)AI的必由之路，也密布著大量的冰層等待鑿穿。
穿透數(shù)據(jù)冰層：云測數(shù)據(jù)在產(chǎn)業(yè)端如何種植AI
當社會經(jīng)濟體與智能技術開始耦合，場景化數(shù)據(jù)的產(chǎn)業(yè)服務者也開始展露頭角。
目前來看，成立于2011年的Testin云測，旗下AI數(shù)據(jù)采集標注品牌——云測數(shù)據(jù)已經(jīng)成為了中國市場AI數(shù)據(jù)場景化的首選。
在AI數(shù)據(jù)的土壤上遍布的冰層，是如何被云測數(shù)據(jù)一一鏟除的？
1.手把鋤犁的硬件。
場景化數(shù)據(jù)的采集與標注，有不少硬骨頭。比如NLP、CV（計算機視覺）等，既需要標注者精準理解相關語義，又要結合具體的產(chǎn)業(yè)需求進行標注。
為了保證AI數(shù)據(jù)的高質(zhì)量交付，云測數(shù)據(jù)在華東、華北、華南設有數(shù)據(jù)標注基地和數(shù)據(jù)采集場景實驗室，用來保障AI數(shù)據(jù)的專業(yè)化、場景化與精細化。
賈宇航（云測數(shù)據(jù)總經(jīng)理）給我們舉了一個例子，為了幫助疲勞檢測系統(tǒng)精準判斷駕駛員的狀態(tài)，疲勞狀態(tài)的數(shù)據(jù)是必不可少的。因此，云測數(shù)據(jù)會還原駕駛場景中的疲勞駕駛狀態(tài)，來幫助采集到貼合真實場景的疲勞數(shù)據(jù)。讓訓練算法模型能夠精準識別并及時預警，來保護人員的行車安全。
除此之外，為了提升AI數(shù)據(jù)的標注能效，云測數(shù)據(jù)還開發(fā)了不少工程化工具，不斷提升數(shù)據(jù)標注工具的技術含量。
比如云測數(shù)據(jù)自研的數(shù)據(jù)標注平臺上，就對3D點云的標注系統(tǒng)優(yōu)化了渲染引擎，可以融合多幀點云數(shù)據(jù)和異維數(shù)據(jù)，讓數(shù)據(jù)視圖一目了然，保證整個過程的流暢和快捷，從而減輕標注員的重復勞動壓力。
2.潤物無聲的軟件。
在AI的世界里，我們總是在強調(diào)硬件——更大的算力，更好的數(shù)據(jù)，更優(yōu)的算法。是不是擁有這些就意味一切呢？事實顯然并非如此，否則Deepmind早就是商業(yè)化最成功的AI公司。
從技術概念到產(chǎn)業(yè)落地之間的管理邏輯，就如同產(chǎn)業(yè)之上的春雨，“隨風潛入夜， 潤物細無聲”。
我們都知道“好雨知時節(jié)”，“好”在哪里？
好在適時而下。比如Testin云測在企業(yè)服務領域積累了近9年的經(jīng)驗，其管理模式也讓數(shù)據(jù)采集與標注不再是枯燥的流水線作業(yè)，十分注重對標注人員的培養(yǎng)，以應對越來越高標準的數(shù)據(jù)要求。
例如，云測數(shù)據(jù)會專門招聘一些法律、金融等垂直領域的相關人員，對標注人員進行專業(yè)知識的培訓，使其能夠從產(chǎn)業(yè)端的視角去揣測語料中的具體意圖，進而對數(shù)據(jù)進行更加細致的標注，以滿足客戶的精度訴求。
此外，在管理流程上，云測數(shù)據(jù)也做到了任務的合理派發(fā)，不同類型數(shù)據(jù)的人員不混用、多層交叉質(zhì)檢等等。
正是這樣的“軟實力”，不僅鑄造了云測數(shù)據(jù)的能力優(yōu)勢，也拉高了整個行業(yè)的人員素質(zhì)和業(yè)務標準，轉化為滋養(yǎng)整個AI產(chǎn)業(yè)的雨水。
3.捍衛(wèi)底線的信念。
如果你聽說過三聚氰胺、地溝油之類的食品安全事件，那么AI領域一旦出現(xiàn)數(shù)據(jù)安全問題，損害的可能就是數(shù)萬人的財產(chǎn)和人身安全。
舉個例子，不少數(shù)據(jù)都是企業(yè)的最高級機密，如果不慎從第三方平臺手中流出，不僅可能讓企業(yè)聲譽掃地，還可能成為競爭對手的利劍，造成搬起石頭砸自己腳的局面。
目前來看，AI數(shù)據(jù)行業(yè)還沒有形成統(tǒng)一的安全保障規(guī)范和標準，所以，企業(yè)的自我意識、技術措施就顯得尤為重要。
就云測數(shù)據(jù)而言，就設置了一系列安全保障機制，比如對于客戶的定制數(shù)據(jù)在交付后絕不留底、絕不復用，徹底清刪杜絕了泄露隱患；
另外，在數(shù)據(jù)采集時也會與被采集方簽訂數(shù)據(jù)授權協(xié)議，讓AI企業(yè)拿到的數(shù)據(jù)都合規(guī)合法，沒有侵犯隱私風險的后顧之憂。
防火墻設置、內(nèi)部信息系統(tǒng)、終端不聯(lián)網(wǎng)、USB接口封死等機制，也從源頭保護了客戶的數(shù)據(jù)安全。
賈宇航（云測數(shù)據(jù)總經(jīng)理）也曾多次公開表示，無論是 AI 公司還是數(shù)據(jù)服務公司，眼光都要長遠一些，采用未經(jīng)授權的數(shù)據(jù)當然可以控制成本，野蠻發(fā)展終究會造成不良后果。
云測數(shù)據(jù)的業(yè)務場景覆蓋了智能駕駛、智慧城市、智能家居、智慧金融、新零售等多個領域，無不是對數(shù)據(jù)安全要求奇高的領域。作為AI數(shù)據(jù)服務的頭部企業(yè)，云測數(shù)據(jù)的安全探索，可以看做是在安全合規(guī)層面對整個行業(yè)交上的參考答案。
對于數(shù)據(jù)安全底線的捍衛(wèi)，也是這個新興產(chǎn)業(yè)的生命線。
從云測數(shù)據(jù)的耕耘之中，不難發(fā)現(xiàn)，解鎖AI數(shù)據(jù)的每一步縱然充滿難題，但也是形成產(chǎn)業(yè)壁壘的關鍵過程。
像云測數(shù)據(jù)這樣持續(xù)為AI訓練注入安全高質(zhì)的數(shù)據(jù)“養(yǎng)料”，這些都將轉化為產(chǎn)業(yè)的優(yōu)勢積累，并撬動智能時代的無限可能。
對數(shù)據(jù)沃土的耕種，才能讓我們在AI風起時，得見一片片豐收的麥浪。
免責聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關。文章僅供讀者參考，并請自行核實相關內(nèi)容。投訴郵箱：editor@fromgeek.com。
免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。
