星塵數(shù)據(jù)：做數(shù)據(jù)標(biāo)注領(lǐng)域的羅賽塔石碑

陳秀娟

通過(guò)自動(dòng)標(biāo)注算法技術(shù)、數(shù)據(jù)策略專(zhuān)家服務(wù)和數(shù)據(jù)閉環(huán)系統(tǒng)服務(wù)，最終實(shí)現(xiàn)行業(yè)AI的平民化。

在古老的埃及，考古學(xué)家在金字塔旁發(fā)現(xiàn)了一塊羅塞塔石碑Rosetta?Stone，這塊石碑上同時(shí)刻有古埃及法老托勒密五世詔書(shū)的三種不同語(yǔ)言版本，讓近代的考古學(xué)家得以有機(jī)會(huì)對(duì)照各語(yǔ)言版本的內(nèi)容后，解讀出已經(jīng)失傳千余年的埃及象形文之意義與結(jié)構(gòu)。

如今，在中國(guó)，有一家創(chuàng)業(yè)型科技公司解決了人類(lèi)語(yǔ)言和機(jī)器語(yǔ)言之間的轉(zhuǎn)譯鴻溝，立志于做數(shù)據(jù)標(biāo)注領(lǐng)域的羅塞塔石碑，讓大規(guī)模訓(xùn)練數(shù)據(jù)的機(jī)器學(xué)習(xí)成為可能。近日，AI數(shù)據(jù)服務(wù)商星塵數(shù)據(jù)在京舉行春季媒體開(kāi)放日暨Rosetta3.0平臺(tái)上線發(fā)布會(huì)，Rosetta3.0平臺(tái)正式上線。

發(fā)布會(huì)上，星塵數(shù)據(jù)創(chuàng)始人、CEO章磊提出了標(biāo)注行業(yè)認(rèn)知天梯，即初級(jí)認(rèn)知是標(biāo)注行業(yè)是“人力工廠”，服務(wù)商用相對(duì)初級(jí)的標(biāo)注工具、項(xiàng)目管理和海量人力就能干活，招標(biāo)時(shí)低價(jià)者中標(biāo)，存在交付風(fēng)險(xiǎn)；中級(jí)認(rèn)知是，對(duì)項(xiàng)目管理的難度和標(biāo)注工具的復(fù)雜度有一定認(rèn)知，投入工具研發(fā)和項(xiàng)目管理成本，研發(fā)周期長(zhǎng)，管理難度大，數(shù)據(jù)迭代效率低；高級(jí)認(rèn)知是，重視平臺(tái)的技術(shù)實(shí)力，使用高度自動(dòng)化的標(biāo)注平臺(tái)，且與數(shù)據(jù)服務(wù)商一起迭代數(shù)據(jù)閉環(huán)和數(shù)據(jù)策略。

“做一款工具好用的平臺(tái)讓每個(gè)標(biāo)注員都來(lái)用”

星塵數(shù)據(jù)是一家提供AI數(shù)據(jù)標(biāo)注和數(shù)據(jù)管理服務(wù)的企業(yè)，成立于2017年5月，其創(chuàng)始人、CEO章磊是海歸數(shù)據(jù)科學(xué)家，先后在華爾街、硅谷工作十余年，曾在硅谷開(kāi)發(fā)過(guò)世界首款股權(quán)投資機(jī)器人，在華爾街工作期間開(kāi)發(fā)的底層風(fēng)控算法曾被美國(guó)聯(lián)邦儲(chǔ)蓄局作為壓測(cè)標(biāo)準(zhǔn)。

接受《汽車(chē)觀察》記者采訪時(shí)，章磊向記者談起了創(chuàng)辦星塵數(shù)據(jù)的初衷，是想做一款工具好用的平臺(tái)讓每個(gè)標(biāo)注員都來(lái)用。原來(lái)章磊回國(guó)后創(chuàng)辦的第一家創(chuàng)業(yè)公司是做自動(dòng)化投資，需要做NLP（自然語(yǔ)言處理）算法，在與數(shù)據(jù)堂、龍貓、百度這些數(shù)據(jù)標(biāo)注公司打交道過(guò)程中發(fā)現(xiàn)，這些供應(yīng)商都不能滿足他們的需求?！耙?yàn)樽詣?dòng)化投資需要數(shù)據(jù)側(cè)和算法側(cè)能夠進(jìn)行深入交流，也就是數(shù)據(jù)閉環(huán)，僅僅按每人每天進(jìn)行數(shù)據(jù)標(biāo)注并不能解決算法工程師的問(wèn)題。另外，由于標(biāo)注工具簡(jiǎn)陋不好用，標(biāo)注員產(chǎn)能也不高，既無(wú)法滿足企業(yè)的工期需求，也無(wú)法提高標(biāo)注員的個(gè)人收入?！闭吕谡f(shuō)。

章磊指出，中國(guó)數(shù)據(jù)標(biāo)注行業(yè)進(jìn)入門(mén)檻較低，主導(dǎo)工具開(kāi)發(fā)的人員通常并非算法科學(xué)家出身，因此很難開(kāi)發(fā)出高效的預(yù)標(biāo)注、輔助標(biāo)注算法，更加困難的是設(shè)計(jì)相應(yīng)的產(chǎn)品去承接算法思維，需要真正懂算法的人去帶領(lǐng)團(tuán)隊(duì)開(kāi)發(fā)標(biāo)注工具和平臺(tái)，提供數(shù)據(jù)策略咨詢，打通數(shù)據(jù)閉環(huán)，真正滿足自動(dòng)駕駛算法側(cè)的需求。

基于以上原因，章磊創(chuàng)辦了星塵數(shù)據(jù)，在創(chuàng)立之初就確立了三個(gè)目標(biāo)：首先，通過(guò)自動(dòng)化標(biāo)注提高標(biāo)注效率；其次，通過(guò)提供數(shù)據(jù)策略專(zhuān)家服務(wù)，為客戶創(chuàng)造更多的價(jià)值；第三，通過(guò)數(shù)據(jù)閉環(huán)讓模型訓(xùn)練效果更好，數(shù)據(jù)標(biāo)注量更少，提高標(biāo)注性價(jià)比。

為此，星塵數(shù)據(jù)推出國(guó)內(nèi)首個(gè)自動(dòng)化標(biāo)注平臺(tái)Rosetta平臺(tái)，平臺(tái)提供數(shù)百個(gè)標(biāo)注功能，可支持圖像、點(diǎn)云、文本、語(yǔ)音、采集等在內(nèi)的100+種主流標(biāo)注場(chǎng)景。

第三方服務(wù)商優(yōu)勢(shì)會(huì)越來(lái)越明顯

標(biāo)注行業(yè)之所以會(huì)給人留下“人力工廠”的印象，是因?yàn)樵缙诘臄?shù)據(jù)標(biāo)注自動(dòng)化很低，以人力外包為主。人力標(biāo)注具有隨意性高、人與人能力有差別的問(wèn)題，數(shù)據(jù)量很大的時(shí)候，很容易出錯(cuò)，返工率非常高，不能保證工時(shí)。

隨著行業(yè)的發(fā)展，目前標(biāo)注行業(yè)存在企業(yè)自建標(biāo)注平臺(tái)和人力基地、自建平臺(tái)并通過(guò)外包人力工廠進(jìn)行標(biāo)注、企業(yè)與平臺(tái)供應(yīng)商合作等三種模式。在章磊看來(lái)，隨著行業(yè)的不斷發(fā)展，第三種模式將逐漸成為主流，專(zhuān)業(yè)的SaaS（自助建站）平臺(tái)供應(yīng)商角色也將越來(lái)越突出。因?yàn)?，無(wú)論在自建標(biāo)注平臺(tái)還是標(biāo)注團(tuán)隊(duì)管理方面，與優(yōu)秀的第三方服務(wù)商相比，企業(yè)均不占優(yōu)勢(shì)。

具體看來(lái)，首先，這是由基礎(chǔ)設(shè)施云平臺(tái)化的大趨勢(shì)決定的。在全球科技企業(yè)大規(guī)模裁員的背景下，數(shù)據(jù)工具鏈相關(guān)的infra部門(mén)往往是最先被裁減的。曾有知乎用戶表示：“隨著云平臺(tái)和微服務(wù)的興起，各家公司對(duì)infra工程師的需求是只減不增的。互聯(lián)網(wǎng)公司自研基礎(chǔ)設(shè)施的時(shí)代已經(jīng)快要結(jié)束了，未來(lái)是云計(jì)算搭積木的時(shí)代?！?/p>

其次，自動(dòng)化標(biāo)注工具設(shè)計(jì)細(xì)節(jié)較多，需要不斷完善。例如，自動(dòng)化標(biāo)注不僅需要拉框，還需要具備旋轉(zhuǎn)功能；在進(jìn)行2D/3D融合標(biāo)注時(shí)，需要注意標(biāo)注細(xì)節(jié)；開(kāi)發(fā)BEV標(biāo)注工具時(shí)，需要切換BEV空間和攝像頭視角；開(kāi)發(fā)4D標(biāo)注功能，需要考慮時(shí)間維度等。因此，需要專(zhuān)業(yè)的供應(yīng)商來(lái)提供標(biāo)注工具的設(shè)計(jì)和開(kāi)發(fā)。

再次，標(biāo)注員學(xué)歷普遍不高，參差不齊，可靠性差，需要流程管控。而專(zhuān)業(yè)的SaaS平臺(tái)供應(yīng)商則能夠提供完善的供應(yīng)商管理體系保障，Rosetta3.0平臺(tái)上有精細(xì)的多維度數(shù)據(jù)統(tǒng)計(jì)功能、每日匯報(bào)功能、自動(dòng)考試上崗功能，僅質(zhì)檢就有6種質(zhì)檢方法、100多種質(zhì)檢規(guī)則。對(duì)于質(zhì)量控制問(wèn)題，章磊舉了一個(gè)例子：“如果算法置信度為0.51的錯(cuò)誤怎么處理？如果算法質(zhì)檢不合格就駁回，會(huì)導(dǎo)致罷工。我們不僅有機(jī)器人質(zhì)檢，還有多維度的質(zhì)檢依據(jù)。”

最后，對(duì)于自動(dòng)駕駛研發(fā)企業(yè)和機(jī)構(gòu)來(lái)說(shuō)，標(biāo)注平臺(tái)開(kāi)發(fā)是成本中心，而對(duì)于平臺(tái)服務(wù)商來(lái)說(shuō)，則能夠帶來(lái)顯著的利潤(rùn)。這種導(dǎo)向的不同也導(dǎo)致了雙方的成本投入存在天壤之別，未來(lái)這種差距將會(huì)越來(lái)越大。據(jù)業(yè)內(nèi)大廠評(píng)估，從零開(kāi)始自建平臺(tái)，要達(dá)到像星塵數(shù)據(jù)平臺(tái)一樣先進(jìn)的水平，需要40名工程師投入兩年的時(shí)間才能完成開(kāi)發(fā)?！伴_(kāi)發(fā)平臺(tái)和工具非常耗費(fèi)時(shí)間和成本，而這不是客戶的核心競(jìng)爭(zhēng)力，客戶沒(méi)有必要自己來(lái)做?！闭吕谶M(jìn)一步說(shuō)。正因如此，章磊提出了標(biāo)注行業(yè)的認(rèn)知天梯。

標(biāo)注行業(yè)的“救火隊(duì)員”

星塵數(shù)據(jù)花了大量的時(shí)間和成本去開(kāi)發(fā)平臺(tái)和工具、打通端到端的數(shù)據(jù)閉環(huán)流程，在這期間，競(jìng)爭(zhēng)對(duì)手把更多成本和精力放在銷(xiāo)售上面，不惜低價(jià)搶單。但章磊認(rèn)為，好的產(chǎn)品具有自傳播性，用過(guò)星塵數(shù)據(jù)工具的標(biāo)注員黏性很高，不愿切換平臺(tái)再使用其他平臺(tái)的工具；客戶也是如此，供應(yīng)商在競(jìng)標(biāo)過(guò)程中以最低價(jià)中標(biāo)，但在交付時(shí)卻無(wú)法按時(shí)交付或者標(biāo)注質(zhì)量不符合要求，這時(shí)候只能找星塵數(shù)據(jù)來(lái)解決問(wèn)題。盡管在商務(wù)方面起步較慢，但領(lǐng)先的技術(shù)優(yōu)勢(shì)符合標(biāo)注需求越來(lái)越復(fù)雜化的趨勢(shì)，星塵數(shù)據(jù)開(kāi)始呈現(xiàn)反超特點(diǎn)。

章磊強(qiáng)調(diào)，星塵數(shù)據(jù)存在的目的不是要解決100%的數(shù)據(jù)標(biāo)注，而是解決那部分難的、行業(yè)前沿的大規(guī)模的數(shù)據(jù)標(biāo)注，這也是那些具有付費(fèi)能力的大客戶最大的痛點(diǎn)。他舉例表示：“常規(guī)的激光雷達(dá)點(diǎn)云對(duì)空間描繪能力的細(xì)節(jié)程度在30萬(wàn)～80萬(wàn)點(diǎn)，星塵數(shù)據(jù)Rosetta平臺(tái)的4D重建點(diǎn)云標(biāo)注能力超過(guò)500萬(wàn)點(diǎn)，在標(biāo)注處理能力上超出同行一個(gè)數(shù)量級(jí)，因此，在南方某家自動(dòng)駕駛企業(yè)的4D標(biāo)注招標(biāo)項(xiàng)目中，多家供應(yīng)商通過(guò)試標(biāo)的方式進(jìn)行競(jìng)標(biāo)。在一張500萬(wàn)點(diǎn)的4D點(diǎn)云圖面前，同行全軍覆沒(méi)，卡到藍(lán)屏，星塵系統(tǒng)絲毫沒(méi)有壓力，仍在絲滑順暢地進(jìn)行標(biāo)注。”

此次上線的Rosetta3.0平臺(tái)進(jìn)一步升級(jí)了平臺(tái)能力。在算法層面，Rosetta3.0?提升了算法加持能力，新增?20+自研算法，點(diǎn)云標(biāo)注效率較純?nèi)斯?biāo)注提升5倍+，支持機(jī)器人標(biāo)注及質(zhì)檢，支持交互式標(biāo)注以及算法實(shí)時(shí)反饋；增強(qiáng)了自動(dòng)駕駛數(shù)據(jù)標(biāo)注能力，3D?渲染50幀/秒以上，支持超長(zhǎng)連續(xù)幀2?000+?流暢標(biāo)注，支持2?000W?點(diǎn)點(diǎn)云平滑標(biāo)注，支持?BEV標(biāo)注、3D重建標(biāo)注、4D標(biāo)注、毫米波標(biāo)注；增強(qiáng)數(shù)據(jù)閉環(huán)支持能力，打通Data?Ops和ML?Ops?鏈路，通過(guò)API對(duì)接實(shí)時(shí)發(fā)現(xiàn)難例，幫助客戶實(shí)現(xiàn)主動(dòng)學(xué)習(xí)和強(qiáng)化學(xué)習(xí)；持續(xù)增強(qiáng)全方位、精細(xì)化質(zhì)檢能力，提供上百個(gè)行業(yè)通用質(zhì)檢規(guī)則服務(wù)和自研質(zhì)檢算法，為數(shù)據(jù)質(zhì)量保駕護(hù)航，標(biāo)注準(zhǔn)確率可達(dá)99.9%；強(qiáng)化數(shù)據(jù)管理能力，支持多源異構(gòu)數(shù)據(jù)管理、版本管理、標(biāo)簽管理、場(chǎng)景管理，支持?jǐn)?shù)據(jù)可視化、數(shù)據(jù)場(chǎng)景挖掘、多模態(tài)檢索等

在平臺(tái)底層，Rosetta3.0采用微服務(wù)架構(gòu)模式，系統(tǒng)具備更高擴(kuò)展性和可用性，可支持?jǐn)?shù)萬(wàn)人同時(shí)作業(yè)，并引入流式計(jì)算等大數(shù)據(jù)技術(shù)，提升平臺(tái)數(shù)據(jù)實(shí)時(shí)處理能力；提供面向第三方的開(kāi)放服務(wù)能力，通過(guò)Open?API方式，和客戶建立靈活的數(shù)據(jù)通路和算法服務(wù)通路，加速客戶算法迭代速度；構(gòu)建?5A?數(shù)據(jù)安全保障體系，從產(chǎn)品、技術(shù)雙層面落地?5A?數(shù)據(jù)安全架構(gòu)，實(shí)現(xiàn)端到端存儲(chǔ)傳輸使用安全、信息隱私保護(hù)、數(shù)據(jù)隔離等。

據(jù)章磊介紹，除Rosetta?數(shù)據(jù)標(biāo)注平臺(tái)外，星塵數(shù)據(jù)還為客戶提供Rosetta標(biāo)注軟件基礎(chǔ)版、Rosetta標(biāo)注軟件高級(jí)版、Rosetta標(biāo)注軟件旗艦版、Rosetta?App、Rosetta獨(dú)立標(biāo)注工具、開(kāi)放平臺(tái)Open?API等眾多產(chǎn)品形態(tài)，支持私有化部署和定制化軟件，滿足客戶多樣性需求。

推動(dòng)AI平民化

談及數(shù)據(jù)標(biāo)注行業(yè)的痛點(diǎn)，章磊指出，在傳統(tǒng)的數(shù)據(jù)標(biāo)注流程中，算法人員制定數(shù)據(jù)標(biāo)注規(guī)則，標(biāo)注公司消化后再提供給標(biāo)注團(tuán)隊(duì)。然而，在執(zhí)行過(guò)程中，算法的思路并不能一次性達(dá)到最優(yōu)化。另外，數(shù)據(jù)標(biāo)注人員僅僅是一個(gè)“干活的”角色，并不能幫助更好地迭代算法效果。因此，算法側(cè)時(shí)常會(huì)有一些不合理的規(guī)則導(dǎo)致成本飆升或難度大增導(dǎo)致難以執(zhí)行。

此外，數(shù)據(jù)管理也是企業(yè)頭痛的問(wèn)題。如，數(shù)據(jù)通過(guò)硬盤(pán)傳輸，效率低且無(wú)法管理。還存在數(shù)據(jù)批次多、臟數(shù)據(jù)多、清洗后有效數(shù)據(jù)少、同類(lèi)型數(shù)據(jù)重復(fù)標(biāo)注的問(wèn)題。“同一批數(shù)據(jù)，雖然L2和L4模型訓(xùn)練都用得上，但企業(yè)缺乏數(shù)據(jù)策略意識(shí)，數(shù)據(jù)復(fù)用性低，無(wú)形中增加了成本。”章磊進(jìn)一步說(shuō)。

在服務(wù)90%頭部自動(dòng)駕駛客戶、經(jīng)歷上千個(gè)項(xiàng)目打磨后，星塵數(shù)據(jù)不僅沉淀出了行業(yè)領(lǐng)先的標(biāo)注平臺(tái)和工具，還培養(yǎng)出了經(jīng)驗(yàn)豐富的數(shù)據(jù)策略專(zhuān)家。

章磊表示，數(shù)據(jù)策略中涉及大量前沿技術(shù)，既包括算法和數(shù)據(jù)相關(guān)的技術(shù)，如領(lǐng)域遷移、時(shí)空融合、數(shù)據(jù)增強(qiáng)、弱監(jiān)督學(xué)習(xí)等，也包括以數(shù)據(jù)為中心的反饋迭代技術(shù)，如主動(dòng)學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、數(shù)據(jù)檢索、數(shù)據(jù)安全、場(chǎng)景化數(shù)據(jù)生成、模型測(cè)試等。數(shù)據(jù)策略專(zhuān)家既要了解相關(guān)技術(shù)，也要熟悉產(chǎn)品，以專(zhuān)業(yè)性來(lái)服務(wù)客戶。

章磊指出，星塵數(shù)據(jù)的數(shù)據(jù)閉環(huán)解決方案是Rosetta3.0平臺(tái)的一大亮點(diǎn)?！叭鞒涕]環(huán)式AI數(shù)據(jù)系統(tǒng)將成為主流，星塵數(shù)據(jù)為此提早進(jìn)行研發(fā)布局。”

在一個(gè)完整的數(shù)據(jù)閉環(huán)訓(xùn)練中，客戶可使用星塵數(shù)據(jù)提供的離線數(shù)據(jù)包進(jìn)行基礎(chǔ)版模型訓(xùn)練，星塵數(shù)據(jù)標(biāo)注系統(tǒng)通過(guò)API與客戶算法系統(tǒng)進(jìn)行交互，動(dòng)態(tài)感知客戶模型效果，基于模型各版本迭代，在經(jīng)歷幾次迭代后，不僅沉淀了有效數(shù)據(jù)，還節(jié)省了數(shù)據(jù)成本。同時(shí)，星塵數(shù)據(jù)還可以在海量數(shù)據(jù)中找到真正有價(jià)值的數(shù)據(jù)幫助客戶訓(xùn)練模型，并利用自有數(shù)據(jù)集評(píng)測(cè)模型效果。模型上線后，行車(chē)數(shù)據(jù)可用于模型迭代，形成數(shù)據(jù)閉環(huán)。該方案通過(guò)打通星塵數(shù)據(jù)標(biāo)注系統(tǒng)和客戶算法系統(tǒng)，實(shí)現(xiàn)主動(dòng)學(xué)習(xí)、分批訓(xùn)練和動(dòng)態(tài)發(fā)掘有價(jià)值數(shù)據(jù)，從而降低數(shù)據(jù)標(biāo)注規(guī)模，節(jié)省標(biāo)注成本。以Chat?GPT語(yǔ)言模型為例，通過(guò)星塵數(shù)據(jù)的Rosetta3.0數(shù)據(jù)標(biāo)注系統(tǒng)，客戶可以將模型快速接入系統(tǒng)，通過(guò)API實(shí)時(shí)將結(jié)果顯示在標(biāo)注平臺(tái)上，星塵數(shù)據(jù)專(zhuān)屬基地的NLP標(biāo)注員可以快速給出反饋。同時(shí)，獎(jiǎng)勵(lì)強(qiáng)化模型實(shí)時(shí)接收到反饋并進(jìn)行訓(xùn)練，可以實(shí)現(xiàn)模型的高效訓(xùn)練并及時(shí)發(fā)現(xiàn)缺陷。據(jù)悉，該解決方案目前已進(jìn)入POC測(cè)試環(huán)節(jié)。

對(duì)于未來(lái)，章磊表示，星塵數(shù)據(jù)希望做人類(lèi)語(yǔ)言和機(jī)器語(yǔ)言之間的羅塞塔石碑，通過(guò)自動(dòng)標(biāo)注算法（auto-labeling）技術(shù)、數(shù)據(jù)策略專(zhuān)家服務(wù)和數(shù)據(jù)閉環(huán)系統(tǒng)服務(wù)，為全球人工智能企業(yè)特別是自動(dòng)駕駛行業(yè)提供“燃料”，最終實(shí)現(xiàn)AI的平民化。