從難以普及的數(shù)據(jù)增強(qiáng)技術(shù)，看AI的性價比時代

數(shù)據(jù)是AI訓(xùn)練的核心，這一點(diǎn)已經(jīng)被確認(rèn)再確認(rèn)了。雖然數(shù)據(jù)驅(qū)動不是AI算法訓(xùn)練的唯一途徑，但在產(chǎn)業(yè)中已經(jīng)出現(xiàn)了很明顯的趨勢，那些數(shù)據(jù)豐富廉價的領(lǐng)域，就是會更容易孕育出AI技術(shù)。像是漢英之間的機(jī)器翻譯能力會大大強(qiáng)于小語種間的機(jī)器翻譯，數(shù)據(jù)收集更容易的人臉識別應(yīng)用率也高于虹膜、眼紋等等生物特征的智能識別。

可以說數(shù)據(jù)的缺乏或昂貴，往往是阻礙AI發(fā)展的直接緣由。

當(dāng)然面對這種情況，也出現(xiàn)了相應(yīng)的技術(shù)解決方案——數(shù)據(jù)增強(qiáng)技術(shù)。

數(shù)據(jù)的有絲分裂，是怎樣進(jìn)行的？

所謂數(shù)據(jù)增強(qiáng)技術(shù)，可以理解為數(shù)據(jù)的繁殖皿，可以讓數(shù)據(jù)進(jìn)行“有絲分裂”，增強(qiáng)樣本擴(kuò)大數(shù)據(jù)集。

以圖像數(shù)據(jù)為例，當(dāng)圖像數(shù)據(jù)不足時，可以對圖像進(jìn)行一些輕微的改變，例如裁剪、旋轉(zhuǎn)、鏡像反轉(zhuǎn)、輕微的扭曲、增加噪點(diǎn)、增加遮擋物等等。對于人類來說，雖然可以一眼識破兩者之間沒有區(qū)別。但對于AI來說，即使幾個像素點(diǎn)的變動，也是全新的數(shù)據(jù)樣本。

而應(yīng)用于文本數(shù)據(jù)，則有互譯和詞向量替換兩種方法。通過機(jī)器翻譯，將一句話從中文翻譯成英文，再由英文翻譯成中文，就可以實(shí)現(xiàn)語序、同義詞等等的調(diào)整替換，得到語料乘二的效果。以及通過自然語言生成技術(shù)，將一句話中的不同對象進(jìn)行劃分并替換生成新的句子。

這些數(shù)據(jù)增強(qiáng)技術(shù)也開始通過深度學(xué)習(xí)的加持逐漸提升效率，例如去年4月谷歌就推出了一項(xiàng)名為AutoAugment的技術(shù)，這一模式設(shè)計了一個自動搜索空間，利用搜索算法來確定適合數(shù)據(jù)集的圖像增強(qiáng)策略（例如上述的平移、縮放等等），制定執(zhí)行的順序并且自動執(zhí)行。

例如將一個動物照片數(shù)據(jù)集輸入給AutoAugment，AutoAugment通過計算會確定出先平移再剪裁是讓AI對于數(shù)據(jù)“陌生感”最大化的解決方案，然后開始自動執(zhí)行。

為什么數(shù)據(jù)增強(qiáng)沒能普及？AI企業(yè)的成本怪圈

看到了這些解決方案，大家是不是有種“天亮了”感覺？既然數(shù)據(jù)可以“自我繁殖”，那么數(shù)據(jù)的累積和采集就再也不是AI發(fā)展的阻礙。小語種的翻譯、冷門植物動物的識別都可以快速AI化，巨頭移動互聯(lián)網(wǎng)企業(yè)霸權(quán)下的數(shù)據(jù)壟斷也即將被破解……等等，如果數(shù)據(jù)增強(qiáng)技術(shù)有如此之強(qiáng)的能力，這項(xiàng)技術(shù)至少應(yīng)該像BERT一樣在學(xué)術(shù)界和產(chǎn)業(yè)界引起極高的關(guān)注，并且迅速形成產(chǎn)業(yè)鏈。

可實(shí)際上今天我們?nèi)匀荒芸吹酱罅緼I企業(yè)為如何獲取數(shù)據(jù)而憂慮。

為什么數(shù)據(jù)增強(qiáng)技術(shù)沒能徹底解決他們的問題呢？這背后其實(shí)是老生常談的成本問題。

數(shù)據(jù)增強(qiáng)技術(shù)從來都不是免費(fèi)利用的，很多時候AI技術(shù)接口本身就需要按調(diào)用次數(shù)收費(fèi)，更別提背后的計算成本和時間成本了。

就拿文本數(shù)據(jù)經(jīng)常利用的機(jī)器翻譯來說，百度、搜狗、有道等等提供的機(jī)器翻譯服務(wù)對于普通用戶來說雖然是免費(fèi)的，但是超過了一定流量值之后也要進(jìn)行收費(fèi)。數(shù)據(jù)增強(qiáng)技術(shù)顯然屬于收費(fèi)范疇之中。曾有知乎用戶表示，幾款主流的機(jī)器翻譯軟件的收費(fèi)標(biāo)準(zhǔn)大概在48元-60元/百萬字符不等。對于企業(yè)來說，這也是一項(xiàng)不小的花銷。

而應(yīng)用于圖片數(shù)據(jù)增強(qiáng)的AutoAugment，更是一種十分昂貴的算法。應(yīng)用時要對15000個模型進(jìn)行收斂，這對算力的消耗是巨大的。如果以CIFAR-10這樣的對象作為數(shù)據(jù)集，需要利用英偉達(dá)Tesla P100 GPU計算幾千個小時，以谷歌云的收費(fèi)標(biāo)準(zhǔn)需要花費(fèi)7500美元。

換句話說，如果數(shù)據(jù)增強(qiáng)的收費(fèi)成本超過了人工去拍照收集，企業(yè)自然會去選擇更劃算的方法。實(shí)際上大多數(shù)時候企業(yè)既不能覆蓋人工獲取數(shù)據(jù)的成本，也不能覆蓋數(shù)據(jù)增強(qiáng)技術(shù)應(yīng)用的成本。

當(dāng)AI走進(jìn)性價比時代

這一現(xiàn)象提醒了我們，AI正在進(jìn)入一個“性價比”時代。

資本對于AI一擲千金的歲月已經(jīng)過去，隨著巨頭的AI技術(shù)逐漸產(chǎn)業(yè)化，其他AI企業(yè)已經(jīng)無法向以前那樣不計成本的投入。同時隨著產(chǎn)業(yè)鏈發(fā)展的越來越完善，AI企業(yè)發(fā)展過程中的“計費(fèi)標(biāo)準(zhǔn)”也逐漸清晰起來。在巨頭占據(jù)市場的情況下，AI企業(yè)很容易看到在未來業(yè)務(wù)的發(fā)展中究竟經(jīng)歷著哪些成本上的商業(yè)風(fēng)險。

這時，幫助降低數(shù)據(jù)增強(qiáng)這一類技術(shù)的應(yīng)用成本就成了一件很重要的事。

例如最近伯克利人工智能研究院就推出了一種群體增強(qiáng)技術(shù)，通過數(shù)據(jù)結(jié)組方法，更高效地找到數(shù)據(jù)增強(qiáng)策略。相比單純的應(yīng)用AutoAugment，可以提升近千倍的效率。讓很多無法負(fù)擔(dān)高昂計算成本的企業(yè)甚至個人都能利用起數(shù)據(jù)增強(qiáng)技術(shù)。

而這種旨在降低AI研發(fā)成本的技術(shù)，或許未來會成為典型。其中的原因在于，谷歌這樣的巨頭企業(yè)，以及OpenAI這樣的研究機(jī)構(gòu)，本身擁有雄厚的資本和資源支持，導(dǎo)致他們在研發(fā)技術(shù)時，很難會考慮技術(shù)的“性價比”。何況很多時候這些企業(yè)本身也是算力資源的掌握著，他們在某種程度上掌握著技術(shù)與算力之間的定價權(quán)。從谷歌的角度來說，他們當(dāng)然希望企業(yè)在研發(fā)AI時需要消耗盡可能多的算力資源，畢竟從算法技術(shù)到云計算資源都是他們的一套買賣。

如此以往下去，如果技術(shù)的計算標(biāo)準(zhǔn)和計算資源都被壟斷，AI企業(yè)在發(fā)展時會遇到一條明顯的閾值。一旦超過這一閾值，AI企業(yè)就會很難跨越成本，于是直接被攔在門外。甚至科技巨頭可以利用這種方式對于產(chǎn)業(yè)進(jìn)行間接的操控，舉例來講，如果谷歌想保護(hù)自己在小語種機(jī)器翻譯上的優(yōu)勢，只需要提高該語種機(jī)器翻譯應(yīng)用費(fèi)用，就能通過加大企業(yè)獲取語料數(shù)據(jù)成本的方式，阻礙他們進(jìn)行相關(guān)研究。

在這種情況下，打破壟斷、重塑定價權(quán)，讓AI研發(fā)更具性價比，或許能夠打造出一條獨(dú)辟蹊徑的道路。

生成海報

免責(zé)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(quán)歸作者所有，且僅代表作者個人觀點(diǎn)，與極客網(wǎng)無關(guān)。文章僅供讀者參考，并請自行核實(shí)相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責(zé)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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)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(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)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(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。