數(shù)據(jù)，助推AI產(chǎn)業(yè)化的秘密武器

姜紅德

從1956年美國達特茅斯會議與會的專家們確認人工智能的名稱和任務(wù)以來，AI正式誕生。經(jīng)過半個多世紀的發(fā)展，人工智能發(fā)展得怎么樣了？也許用幾組數(shù)據(jù)最能說明問題：

1998年至2018年間，全球AI領(lǐng)域論文、期刊數(shù)量大幅增長，總數(shù)突破63萬篇，年復(fù)合增長率達到11.59%。

截止2018年上半年，在全球范圍內(nèi)共監(jiān)測到4998家AI企業(yè)。其中美國2039家世界第一，其次是中國1040家（不含港澳臺地區(qū)）。

2013年以來，AI領(lǐng)域投融資規(guī)模情況持續(xù)高漲。2017年AI投融資總規(guī)模達到395億美元。

進入2019年，人工智能發(fā)展仍然如火如荼。“人工智能市場繼續(xù)快速增長?！盜DC認知/人工智能系統(tǒng)研究主管David Schubmehl說，“希望利用人工智能、深度學(xué)習(xí)和機器學(xué)習(xí)的供應(yīng)商需要迅速采取行動，在這個新興市場中占據(jù)一席之地。IDC已經(jīng)看到使用這些技術(shù)推動創(chuàng)新的組織在收入、利潤和整體方面受益，領(lǐng)導(dǎo)各自的行業(yè)和細分市場。”根據(jù)IDC報告數(shù)據(jù)統(tǒng)計，2018年中國人工智能市場規(guī)模達17.6億美元，至2023年將達到119億美元。全球認知和人工智能系統(tǒng)的支出將在2022年達到776億美元，是2018年預(yù)測的240億美元的三倍多。

作為人工智能的三大決定性影響因素，算法、算力和數(shù)據(jù)，在過去的幾年時間里也紛紛取得了突破。機器學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)等算法理論的升級，讓人工智能在核心技術(shù)方面取得重要進展；GPU、并行計算等異構(gòu)計算及AI芯片、5G的普及，成為人工智能計算能力的重要支撐；此外，全球數(shù)據(jù)的快速增長催生數(shù)據(jù)產(chǎn)業(yè)蓬勃發(fā)展。

在數(shù)據(jù)的加持之下，新一代人工智能的發(fā)展也成為熱點。但是就目前的數(shù)據(jù)采集和標(biāo)注的情況來看，缺乏各種場景化、領(lǐng)域性的數(shù)據(jù)是一種新常態(tài)，傳統(tǒng)的數(shù)據(jù)滿足不了AI的需求。AI對數(shù)據(jù)的質(zhì)量、規(guī)模和個性化方面的要求越來越高，也成就了一批在數(shù)據(jù)領(lǐng)域“淘金”的企業(yè)。

AI不靈光的背后：缺乏數(shù)據(jù)

作為全球人工智能的領(lǐng)頭羊企業(yè)，谷歌的地位不容質(zhì)疑。但是在過去的1年多時間里，因為AI的不靈光，導(dǎo)致了這家IT企業(yè)的CEO在面對外界質(zhì)疑時感到非常尷尬。

2018年底，網(wǎng)友在谷歌搜索idiot（中文意思白癡）時出現(xiàn)的80%結(jié)果都是特朗普，這個問題讓谷歌首席執(zhí)行官桑達爾·皮查伊感到十分惱火。他對此做出了回應(yīng)：“我們的搜索結(jié)果，大多數(shù)都是根據(jù)數(shù)據(jù)進行智能判斷的?！睋?jù)了解，谷歌的程序會把整個互聯(lián)網(wǎng)的信息搬到數(shù)據(jù)庫，然后從數(shù)千億個網(wǎng)頁中收集信息。當(dāng)有人用谷歌搜索引擎搜索時，系統(tǒng)會通過谷歌搜索“算法”的列規(guī)則和流程提供這些信息。在此過程中，將用戶的查詢請求與索引中的信息進行比較，并確定出現(xiàn)在搜索結(jié)果頂部的頁面。

谷歌的算法應(yīng)該是可信的，但是為什么會出現(xiàn)這種情況？很大的可能性是因為數(shù)據(jù)質(zhì)量欠佳，或者某一類型的數(shù)據(jù)欠缺，導(dǎo)致了系統(tǒng)給出了這樣的判斷。在此之前的2018年初，谷歌的一款人工智能APP將一名亞洲男性識別為女性，甚至把一對黑人兄妹誤認是猩猩，最后導(dǎo)致了APP下架。谷歌發(fā)言人對此表示：導(dǎo)致這種原因的結(jié)果是因為目前圖庫所存的圖片不夠多，歷史畫作無法對應(yīng)現(xiàn)實世界的真實性。

可以看出，數(shù)據(jù)對于AI的重要性非常高，甚至?xí)绊懙剿鼈兡芊癜凑疹A(yù)想的目標(biāo)來運行。對高質(zhì)量數(shù)據(jù)的需求是無止境的，AI數(shù)據(jù)眾包服務(wù)也逐漸進入了企業(yè)們的視野。在國外以亞馬遜的Mturk規(guī)模最大，據(jù)稱擁有50萬人每日在線提供數(shù)據(jù)的采集和標(biāo)注。Mturk能夠利用全球員工的集體智慧，技能和洞察力來簡化業(yè)務(wù)流程，增強數(shù)據(jù)收集和分析，并加速機器學(xué)習(xí)開發(fā)。

國內(nèi)率先瞄準(zhǔn)數(shù)據(jù)眾包服務(wù)的是一些互聯(lián)網(wǎng)巨頭，如百度、京東，除此之外還有主打自建采集標(biāo)注基地的云測數(shù)據(jù)等企業(yè)。按照云測數(shù)據(jù)總經(jīng)理賈宇航所說，幫助企業(yè)打造數(shù)據(jù)核心壁壘，大幅度推動AI進一步落地，是云測數(shù)據(jù)一直賦予自身的“使命”。

從測試到AI，找準(zhǔn)切入點是關(guān)鍵

2017年是中國人工智能開始爆發(fā)的時間，越來越多的移動APP公司開始利用人工智能幫助更新交互化的模式，比如刷臉開機，采用AI技術(shù)為用戶服務(wù)。企業(yè)通過產(chǎn)品優(yōu)化提供更好的服務(wù)，未來人工智能在產(chǎn)品迭代過程中變得必不可少。云測成立于2011年，業(yè)務(wù)主要集中在移動APP測試領(lǐng)域。隨著人工智能在產(chǎn)品開發(fā)端的融合，一些 AI 企業(yè)主動找到云測提出數(shù)據(jù)服務(wù)的需求。如果說最初選擇應(yīng)用測試是行業(yè)大勢所趨的話，這次與“數(shù)”結(jié)緣則完全是需求導(dǎo)向。

為什么選擇在數(shù)據(jù)服務(wù)領(lǐng)域發(fā)力？賈宇航這樣回應(yīng)：算力，主要通過計算來優(yōu)化模型（算力主要是企業(yè)內(nèi)部的運算資源），這一領(lǐng)域更多的是硬件及云計算企業(yè)在涉足，客戶通過服務(wù)購買或硬件投入的形式完成。算法更多的是企業(yè)通過自研的方式或通過調(diào)用第三方API在投入，主要成本是研發(fā)、人力和算法調(diào)用，包括各種開源的算法。它們?nèi)绻蛨鼍敖Y(jié)合，就需要更多的企業(yè)來提供數(shù)據(jù)。

云測數(shù)據(jù)就這樣誕生了。一些企業(yè)欠缺使用場景的數(shù)據(jù)，就可以通過云測數(shù)據(jù)來提供樣本或者搭建場景，進行采集、標(biāo)注，再交給算法模型進行驗證，做到識別率的提升。也有一些企業(yè)的產(chǎn)品發(fā)布了，一些環(huán)節(jié)還需要完善，也通過云測數(shù)據(jù)補充采集一些數(shù)據(jù)并進行標(biāo)注，優(yōu)化算法，實現(xiàn)在線升級，提升精度。

從行業(yè)角度來看，2 0 1 4年-2015年人工智能剛剛爆發(fā)，數(shù)據(jù)服務(wù)企業(yè)更多地是通過網(wǎng)絡(luò)爬蟲等工具收集收據(jù)，并打包成產(chǎn)品賣給企業(yè)，這些通用的產(chǎn)品能解決客戶的普遍需求。到了2016-2017年，數(shù)據(jù)眾包服務(wù)模式開始出現(xiàn)，亞馬遜勞務(wù)外包平臺Amazon Mechanical Turk就是典型。傳統(tǒng)互聯(lián)網(wǎng)上的人臉照片包括多人多側(cè)臉的照片，但是很難找到一個人多種側(cè)臉的照片，在這種情況下，通用型產(chǎn)品或者互聯(lián)網(wǎng)的數(shù)據(jù)很難解決問題，Turk則可以獲取到這種數(shù)據(jù)并進行補充。到了2017-2019年，人工智能對數(shù)據(jù)的需求進一步升高，算法中存在很大的局限性，來源于已有設(shè)備中的元器件、傳感器采集到的數(shù)據(jù)對算法的提升作用非常有限。像云測數(shù)據(jù)這樣的數(shù)據(jù)服務(wù)企業(yè)就會自研一些場景或者是硬件，不僅對已有的數(shù)據(jù)質(zhì)量進行提升，還會對不同維度的數(shù)據(jù)進行采集。比如在收集圖像數(shù)據(jù)的同時采集聲音，幫助進行判斷。

從2017年開始，云測數(shù)據(jù)開始對客戶提供定制化場景數(shù)據(jù)采集和標(biāo)注服務(wù)。賈宇航介紹，“基于人工智能對不同維度數(shù)據(jù)和不同場景環(huán)境下數(shù)據(jù)采集要求，我們在華東、華北、華南都設(shè)有數(shù)據(jù)交付中心和采集基地。比如有客戶提出采集24種不同光線下的人臉表情，云測數(shù)據(jù)會安排特定人群到特定場景實驗室進行表情采集，給客戶提供特定場景、設(shè)備下的用戶特征數(shù)據(jù)，以幫助企業(yè)完善產(chǎn)品發(fā)布之前需要的數(shù)據(jù)?！?/p>

隨著時代的進步，人工智能對數(shù)據(jù)的要求也更加復(fù)雜，精度會有提升，對標(biāo)注對象關(guān)鍵點的數(shù)量、序號會有不同要求。針對這些變化，云測數(shù)據(jù)從2017年開始搭建自己的標(biāo)注團隊和基地，通過提出方法論，對應(yīng)教學(xué)流程，以自建基地的方式，讓標(biāo)注和質(zhì)檢人員、項目經(jīng)理每天面對面溝通，確保每個人能夠理解并掌握標(biāo)注有關(guān)技術(shù)，相關(guān)技能能夠得到持續(xù)的提升。

對于溝通產(chǎn)生的作用，賈宇航表示，“很多標(biāo)注人員即使知道該標(biāo)在哪個部位，可能在精度上還會相差幾個像素，這樣的操作過程到了質(zhì)檢系統(tǒng)那里就會通不過。質(zhì)檢人員會在流程中將工作打回重新標(biāo)記，項目經(jīng)理通過這樣的溝通，會對每個人員的標(biāo)記痕跡及特點進行統(tǒng)計，然后進行一對一的交流，這樣的過程能夠幫助他們進行理解?！?h3>滿足客戶數(shù)據(jù)需求，提升AI競爭力

隨著技術(shù)的發(fā)展，AI會和產(chǎn)業(yè)融合越來越緊密。對于數(shù)據(jù)服務(wù)企業(yè)來說，也需要具備相關(guān)產(chǎn)業(yè)領(lǐng)域知識。就需要與標(biāo)注人員進行持續(xù)的溝通和交流，知識才能得到有效的積累，從而理解客戶所做的事情。舉個例子，對自動駕駛行業(yè)的數(shù)據(jù)服務(wù)來說，有開車經(jīng)驗的就會標(biāo)注的比較好。只有通過專業(yè)的培訓(xùn)和知識體系掌握，才能確保大家理解得比較到位。

賈宇航將人工智能訓(xùn)練需要的數(shù)據(jù)服務(wù)分為三個階段：互聯(lián)網(wǎng)數(shù)據(jù)采集、眾包數(shù)據(jù)服務(wù)、定制化數(shù)據(jù)采集服務(wù)?！斑@幾個階段可以理解為嬰兒不同時期需要吃不同的奶粉”。早期客戶對數(shù)據(jù)的精度要求其實沒有那些高，可以不用選擇定制化的數(shù)據(jù)服務(wù)模式。如果企業(yè)的產(chǎn)品馬上要落地了，并且已經(jīng)有了嚴格的迭代周期，那么就會用到定制化數(shù)據(jù)采集服務(wù)。

當(dāng)然，并不是所有的企業(yè)都是這樣，對數(shù)據(jù)采集和標(biāo)注有諸多嘗試，且需要高精度數(shù)據(jù)需求的更多的是行業(yè)的領(lǐng)導(dǎo)者或先驅(qū)者。他們通過很多的嘗試，用人工智能的方式顛覆已有交互模式，擴大收益減少成本。

目前云測數(shù)據(jù)重點關(guān)注四個行業(yè)：智能安防、智能駕駛、智能家居和智慧金融。安防領(lǐng)域，可以理解為對智慧城市中交通流量的把控，從而決定紅綠燈長短時間，或者從安全的角度出發(fā)阻止打架斗毆，還有為防止老人小孩走丟，在半個小時內(nèi)將他們的行動軌跡描畫出來，以便進行追蹤；駕駛包括自動駕駛和輔助駕駛。自動駕駛方面，比如滴滴出行正在研發(fā)的自動駕駛出租車，在未來可以替代司機的角色。輔助駕駛方面，很多汽車企業(yè)正在做云交互、疲勞檢測，通過攝像頭等工具的搭建，完成以人為中心的數(shù)據(jù)采集；家居領(lǐng)域，原來主要是以手機作為入口，現(xiàn)在每一個家用電器都有可能成為入口。對應(yīng)的會進行一些語音數(shù)據(jù)的采集，再將這些語音轉(zhuǎn)為文字，并能讓人工智能系統(tǒng)理解；金融方面主要分為兩個部分，一是OCR票據(jù)相關(guān)的數(shù)據(jù)標(biāo)注，比如轉(zhuǎn)寫等工作，二是金融客服機器人、RPA等領(lǐng)域。

在數(shù)據(jù)服務(wù)市場，云測數(shù)據(jù)目前屬于第一梯隊。賈宇航坦言并不擔(dān)心競爭，數(shù)據(jù)服務(wù)行業(yè)的硬門檻是服務(wù)管理體系，做數(shù)據(jù)服務(wù)的企業(yè)員工比較多，管理不是一件容易事。另一方面，技術(shù)是積累，云測數(shù)據(jù)雖然不做算法，但是在技術(shù)投入上很大。云測數(shù)據(jù)的使命價值，是讓企業(yè)擁有數(shù)據(jù)，構(gòu)建核心競爭力?！拔覀兊膬r值定義體現(xiàn)了對數(shù)據(jù)安全的考慮。在整個工具研發(fā)過程中，數(shù)據(jù)標(biāo)注相關(guān)的服務(wù)者只有操作的權(quán)利，沒有獲取權(quán)力?！?/p>

據(jù)了解一般的數(shù)據(jù)采集流程是這樣的——對應(yīng)的工具采集完成之后會存儲到本地數(shù)據(jù)中心，確保這一過程沒有人工獲取數(shù)據(jù)的風(fēng)險。標(biāo)注人員使用的電腦都是沒有USB接口的，使用內(nèi)網(wǎng)連接，直接通過瀏覽器端打開平臺進行數(shù)據(jù)標(biāo)注，標(biāo)注完的數(shù)據(jù)存放在服務(wù)器中，交付完成之后數(shù)據(jù)會銷毀。

賈宇航表示，云測數(shù)據(jù)一直關(guān)注著AI的進化過程?！翱蛻舻男枨髸蛹毞?，對行業(yè)領(lǐng)域的沉淀要求也會更高，我們會對更多的細分領(lǐng)域做業(yè)務(wù)和知識的沉淀，盡力滿足他們的需求?！?/p>