云測數(shù)據(jù)：離落地越近，AI 對數(shù)據(jù)就越挑剔

「你們的客戶有哪些?」「這個不能細說,很多簽了保密協(xié)議。不過……」Testin 云測 CMO 張鵬飛停頓了下,手指下意識地敲了敲桌面:「我們的客戶覆蓋智能駕駛、智慧城市、新零售、金融等領域?！顾^續(xù)補充道:「還有越來越多的智能化轉型的傳統(tǒng)行業(yè)客戶,選擇采用我們的數(shù)據(jù)標注服務」。

創(chuàng)建于 2011 年的 Testin 云測在移動互聯(lián)網時代從應用測試業(yè)務出發(fā),順勢而起并成為企業(yè)服務明星企業(yè)。經過行業(yè)前瞻判斷,積極布局定制化數(shù)據(jù)標注業(yè)務領域,成立了云測數(shù)據(jù)品牌。在數(shù)據(jù)標注領域,云測數(shù)據(jù)已然是國內的第一梯隊。

人工智能正迅速向應用人工智能發(fā)展,擁抱產業(yè)的人工智能對數(shù)據(jù)標注的門檻在不斷提高。「比如在自動駕駛領域,現(xiàn)在主流的是多傳感器融合方案,從攝像頭增加到激光雷達,從二維圖像數(shù)據(jù)發(fā)展到三維圖像數(shù)據(jù),多模態(tài)的數(shù)據(jù)幫助算法模型更好的訓練,只是由于激光雷達的價格比較高,所以很少會有人去使用和標注。」但未來硬件成本的下降是必然的,而在 Waymo、Uber 等較早做自動駕駛的企業(yè)中,也已經可以看到三維圖像增加的趨勢。

AI 訓練的「蛋白粉」

數(shù)據(jù)采集和標注都不是新鮮的事情,伴隨著 AI 興起,約在 2011 年相應的商業(yè)生態(tài)也隨之而生,2015 年行業(yè)進入快速增長期,但許多問題也同時爆發(fā)——「魚龍混雜」,可以這樣形容早期采集和標注的數(shù)據(jù)。

比如人臉識別,在 2015 年左右,許多的數(shù)據(jù)采集和數(shù)據(jù)標注的小作坊開始大規(guī)模出現(xiàn),主要以通用數(shù)據(jù)集和小規(guī)模采集為主,到了 2016 年,開源或是付費的數(shù)據(jù)集開始興起,與此同時數(shù)據(jù)標注的眾包業(yè)務也在野蠻生長,據(jù)估計我國有數(shù)千個相關的企業(yè)或團體,而從事數(shù)據(jù)標注眾包的專職、兼職人員超過百萬。

將識別準確率從無提升到 95% 的過程中,這樣的數(shù)據(jù)是足夠用的,但實際落地中,將準確率從 95% 提升到 99%,就顯得捉襟見肘了?！肝覀冃袠I(yè)里有一句話,『Garbage in , garbage out』,這是機器學習和神經網絡的本質決定的?！乖茰y數(shù)據(jù)總經理賈宇航說。

在 iPhone 推出人臉認證之后,許多安卓手機也跟進這一功能,但人們卻發(fā)現(xiàn),有的手機無法識別照片和真實的人臉,打印出來的也能蒙混過關。而更進一步的識別,需要機器對人臉的三維結構有一定的理解,如果還要跟仿真的面具做區(qū)別,那么還需要加上活體檢測的能力,甚至精細到對面部血管和極輕微抖動的識別,來判斷識別對象是否有心跳等,這顯然是簡單的數(shù)據(jù)獲取和標注所難以滿足的。

「2015 年時,數(shù)據(jù)的標注需求很簡單,可能客戶就說,我這有批圖片,人臉拉框,盡量貼合,這個需求文檔就已經描述完了,而今年,我們發(fā)現(xiàn)同樣是做人臉標記的企業(yè)需求,一張 A4 紙都沒辦法把所有的要求寫完?！箤τ谶@樣復雜的標記任務,云測數(shù)據(jù)在做之前首先要小范圍實驗,然后需要開會由專人講解,并在標注過程中隨時做抽查,看標注員的理解是否正確:「精度會有多高呢?一張人臉需要你準確地在內眼角上標注人臉關鍵點,在圖片上,內眼角也就不到 100 像素,而任務還會精確到標注到具體哪個像素上?！?/p>

工作人員正在講解人像標注 | 圖片來源:云測數(shù)據(jù)

而數(shù)據(jù)標注僅僅是復雜度上升的后半部分,AI 企業(yè)高精度數(shù)據(jù)的需求同樣體現(xiàn)在數(shù)據(jù)定制化的采集上。過去幾年機器學習領域以「海量數(shù)據(jù)暴力計算」的方式迅速發(fā)展,而現(xiàn)在這一模式也逐漸遇到了瓶頸,安防是國內 AI 落地最多的行業(yè)之一,以安防攝像頭獲取的數(shù)據(jù)為例,5 萬小時的錄像中,有足夠拿來訓練 AI 識別行人和車輛的內容,但最需要安防攝像頭識別的是什么呢?是打架斗毆、行人跌倒等異常事件,可能在 5 萬小時的錄像中,這些是以分鐘為數(shù)量級的。顯然,這不足以訓練出可以實際應用的 AI,對于這樣的小數(shù)據(jù),需要定制化的采集策略。

具體到 AI 數(shù)據(jù)服務中,以 AI 企業(yè)數(shù)據(jù)增強需求為例。在云測數(shù)據(jù)的數(shù)據(jù)場景實驗室中,綠色的幕布前,一位群眾演員站在中央擺出不同的表情,正對著攝像機拍攝,演員的周圍布滿了光源,讓其面部沒有任何死角。對 AI 企業(yè)來說,拍攝這樣的一張「純凈數(shù)據(jù)「,可以拓展更多的數(shù)據(jù)價值。當然,搭建這樣的采集環(huán)境,對 AI 數(shù)據(jù)服務商有著光線,被采樣本等條件的嚴格要求。

表情采集講解中 | 圖片來源:云測數(shù)據(jù)

「我們在前兩年做人臉的采集時,對背景、光線還沒有什么要求?！官Z宇航說,在過去兩年,AI 企業(yè)對數(shù)據(jù)的采集和標注都變得更具有策略性:「比如說自動駕駛,以前恨不得天天都在采集,把數(shù)據(jù)都標上,現(xiàn)在就要是在雨天、雪天去采集,要去人流密集、或者是很多卡車、三輪車的特定場景,非常細化。」

而這也是 AI 真實落地的必由之路,以往粗放式采集、大批量標記的模式逐漸被定制化采集、高精度標記模式取代,要到趨近 AI 產品落地前的水平,高質精準數(shù)據(jù)對 AI 企業(yè)來說,就像蛋白粉對于職業(yè)運動員一樣必不可少。

行業(yè)洗牌在即

數(shù)據(jù)標注行業(yè)發(fā)展早期,由于門檻較低,讓這個行業(yè)魚龍混雜,同質化競爭嚴重,甚至出現(xiàn)了以往傳統(tǒng)行業(yè)常見的多道販子。,而供過于求的市場和過去數(shù)年 AI 企業(yè)對數(shù)據(jù)質量的相對不重視,以及數(shù)據(jù)標注員被稱為 AI 從業(yè)人員的底層,讓這個行業(yè)進一步陷入了低價低質的怪圈。

大量勞動密集型的數(shù)據(jù)標注工廠在 AI 產業(yè)爆發(fā)初期,為中國人工智能企業(yè)的崛起做出了巨大的貢獻。隨著人工智能產業(yè)的發(fā)展與進化,數(shù)據(jù)標注行業(yè)開始朝著專業(yè)化、精細化、定制化方向發(fā)展。AI 企業(yè)在逐步落地過程中發(fā)現(xiàn),所需要的數(shù)據(jù)維度和復雜度正變得越來越高,數(shù)據(jù)服務的眾包模式以及通用數(shù)據(jù)集已經難以滿足 AI 企業(yè)的數(shù)據(jù)需求。「精準優(yōu)質」、「安全獨立」的數(shù)據(jù)被認為是 AI 企業(yè)落地前的剛需。

2018 年初,甲子光年曾報道稱,BAT 和 AI 企業(yè)占到了數(shù)據(jù)標注任務來源的約 7 成,但隨著 AI 落地到傳統(tǒng)行業(yè),這個比例正發(fā)生變化?！副热玢y行、保險、汽車這些行業(yè),在引入人工智能時有很大的勢能?！官Z宇航用車內的疲勞檢測來舉例,雖然市面上有不少開源或付費的數(shù)據(jù)集,企業(yè)也可以比較容易地獲取算法然后進行訓練,但作為整車廠,關心的并不是模擬器上的準確度,而是具體在自己某一型號的汽車上,在后視鏡或是中控臺上擺放的攝像頭的具體效果,如果數(shù)據(jù)不是真實地在這個環(huán)境下采集,很難實際論證。

「這也是深度神經網絡的一個特點,比如人臉數(shù)據(jù)是在室內采集的,放到室外用可能就不行了,要產品化的話必須要結合使用場景去采集數(shù)據(jù),才能提升識別精度?！乖?2018 年的年初,市場上任務需求一般是量大質低,錢比較容易賺,而市場需求的轉變,讓數(shù)據(jù)服務的難度不斷提升,再加上百度眾包、京東眾智等數(shù)據(jù)標注電商平臺出現(xiàn),行業(yè)標準化和透明化成成都提高,進一步加劇了行業(yè)的洗牌。

一開始就定位定制化采集和高精度標準的云測數(shù)據(jù),采取的是自建基地模式,全職雇傭數(shù)據(jù)服務人員。從商業(yè)模式上來看,比起歐美逐漸成熟的如 Scale AI 的眾包模式,云測數(shù)據(jù)想的會更遠一些,自建基地模式要更穩(wěn)定高效,另一方面,也能更規(guī)范性地保護數(shù)據(jù)隱私。

Testin 云測 CMO 張鵬飛補充道「從整體看來,AI 數(shù)據(jù)行業(yè)關于安全、隱私等方面并沒有統(tǒng)一的標準和強調重視。但從我們長遠角度出發(fā),一直在隱私和安全防護角度下大力氣服務行業(yè)、樹立數(shù)據(jù)質量標桿,只有以這種負責的態(tài)度來服務客戶,我們的行業(yè)才能『良幣驅除劣幣』,真正讓人工智能成為新一輪技術革命,改變整個社會和人類進程」。

「安全」和「獨立」顯然密不可分。據(jù)了解,云測數(shù)據(jù)堅持獨立第三方的立場,與所有數(shù)據(jù)采集的用戶都簽訂數(shù)據(jù)授權協(xié)議(包括支持歐盟 GDPR 協(xié)議),對客戶定制的數(shù)據(jù)交付后不留底全部刪除,并建立了從防火墻到內部信息系統(tǒng)管護、各終端不聯(lián)網、USB 接口封死等數(shù)據(jù)保障機制來保證數(shù)據(jù)安全。

為了盡量提升效率和保證數(shù)據(jù)質量和數(shù)據(jù)安全,云測數(shù)據(jù)在華北、華東、華南建立數(shù)據(jù)標注基地。一般 AI 產品在發(fā)布前一個月就需要拿到標注好的數(shù)據(jù)進行訓練,而數(shù)據(jù)訓練前一個月就應該完成數(shù)據(jù)的采集,對追求速度的 AI 企業(yè)來說是分秒必爭的?！肝覀儸F(xiàn)在千人規(guī)模的全職的數(shù)據(jù)人員,但還是遠遠不夠。」

不久前 IDC 聯(lián)合量子位發(fā)布的《AI 落地白皮書》中稱,中國在全球人工智能市場占比 12%,位居第二,但增速 64% 位居全球第一,云測數(shù)據(jù)在數(shù)據(jù)采集和標準的市場還有龐大的增長空間,賈宇航認為,未來他們會更加深入 AI 細分領域和場景,并會考慮在未來進一步開拓國際市場。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網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站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網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，溝通刪除相關內容或斷開相關鏈接。