在AI大行其道的當下，算法、算力與數(shù)據(jù)這驅動AI崛起的三大因素，誰將成為檢驗其能否產(chǎn)業(yè)化的試金石？答案必然是數(shù)據(jù)。

眾所周知，深度學習作為當前AI技術的研究前沿，其成功與否背后直接與產(chǎn)品落地直接掛鉤。從學術角度來講，深度學習的原理是將標注的數(shù)據(jù)特征反向輸送給機器，以實現(xiàn)機器智能這一目標。然巧婦難為無米之炊，沒有AI數(shù)據(jù)便無法應用更復雜的模型，亦無法得出效果更優(yōu)的算法。

尤其隨著AI技術在行業(yè)內(nèi)的落地應用，原有通用AI數(shù)據(jù)集很難對算法準確率與魯棒性能力實現(xiàn)進步一提升，因此破局之道全部寄希望在了場景化的高質量AI數(shù)據(jù)之上。

數(shù)據(jù)難求?高質量AI數(shù)據(jù)更可遇不可求

回歸本質來看，以近年來炒得最熱的CV+AI為例，其不僅可實現(xiàn)人臉識別，也可應用于養(yǎng)殖領域。而這套模式之所以能在其他領域跑通，原理在于技術本身是有共性的，差異取決于所訓練的AI數(shù)據(jù)樣本。

在這其中算法僅是一小部分，核心依舊離不開AI數(shù)據(jù)。誰能夠擁有高質量的還原落地場景的AI數(shù)據(jù)，誰便能快人一步實現(xiàn)產(chǎn)業(yè)化落地。

因此對于人工智能企業(yè)來說，優(yōu)質AI數(shù)據(jù)的必要性毋庸置疑。企業(yè)深知AI數(shù)據(jù)的真正價值已不在數(shù)據(jù)本身之上，而在于背后所反映出的真實性與科學性。但數(shù)據(jù)難求，高質量的AI數(shù)據(jù)更是可遇而不可求，也正是基于這樣一個背景，數(shù)據(jù)標注行業(yè)開始出現(xiàn)在視野中。

然目前來看，早期的數(shù)據(jù)標注發(fā)展仿佛讓人們看到了十年前IT外包行業(yè)的縮影。層層眾包與轉包的服務模式，致使數(shù)據(jù)交付精度層次不齊、數(shù)據(jù)隱私無法保障等現(xiàn)象頻發(fā)，直接拉低了AI數(shù)據(jù)行業(yè)整體服務質量。

此外，過于依賴人力的標注方式，也讓各個環(huán)節(jié)暴露了大量弊端。如在語音轉寫類標注時，人類標注員很難在長時間下保持時刻專注。再比如機器視覺類項目中，一套項目至少涉及數(shù)以萬計的圖片標注工作，常會引發(fā)標注任務不夠細化、缺乏定制化標注能力等問題。而此時若投入大量人力，則又會產(chǎn)生極大成本負荷，外加中間商等各項因素的影響，久而久之讓行業(yè)進入了一個惡性循環(huán)當中。

云測數(shù)據(jù)服務成果發(fā)布?引領數(shù)據(jù)標注跨入高質量時代

反觀整個數(shù)據(jù)標注市場，雖有公開數(shù)據(jù)集、標注工具、以及半監(jiān)督學習一類技術的存在，但對于現(xiàn)階段AI產(chǎn)品面臨落地的產(chǎn)業(yè)環(huán)境，沒有高質量還原場景的AI數(shù)據(jù)的支撐，想要產(chǎn)業(yè)落地無疑是空中樓閣。

正如行業(yè)流行的那句話所言——“前面有多少智能?后面就有多少人工”。因此如何將人類經(jīng)驗與學習規(guī)則充分結合以獲取符合算法需求的高質量標注數(shù)據(jù)，如何制定標準審核流程和控制標注質檢成本等問題，既是擋在AI產(chǎn)業(yè)化前方的攔路虎，也是擺在高質量AI數(shù)據(jù)獲取面前的難題。

為解決行業(yè)存在的現(xiàn)實問題，助力企業(yè)占領未來發(fā)展高地。在9月6日的北京服貿(mào)會上，Testin云測旗下AI數(shù)據(jù)服務品牌——云測數(shù)據(jù)的服務成果正式發(fā)布，并向外界展示了最高交付精準度達99.99%這一傲人成果。

區(qū)別于傳統(tǒng)模式，云測數(shù)據(jù)以自建形式搭建了數(shù)據(jù)場景實驗室與數(shù)據(jù)標注基地來對相應AI數(shù)據(jù)進行生產(chǎn)。以標準化服務為抓手，在前期幫助客戶梳理更貼合實際情況的需求，試標驗收合格后開始大規(guī)模作業(yè)。作業(yè)提交后，還有三層質檢環(huán)節(jié)和抽檢環(huán)節(jié)來確保AI數(shù)據(jù)的高質量輸出，并有項目經(jīng)理全程跟蹤數(shù)據(jù)交付的流程。通過這種服務模式來解決AI數(shù)據(jù)質量參差不齊這一詬病。

再者，過往數(shù)據(jù)標注人員常以單臺電腦部署軟件形式為主，這種工作模式基本毫無協(xié)同性可言，極大程度拖慢了人員效率與項目周期。而云測數(shù)據(jù)在AI數(shù)據(jù)生產(chǎn)中，設計了從創(chuàng)建任務、分配任務、標注流轉、到質檢/抽檢環(huán)節(jié)和最后的驗收等更完善的管理流程，每個環(huán)節(jié)有相應專業(yè)人員來把控數(shù)據(jù)標注的質量和時間節(jié)點，進行好上下游工作環(huán)節(jié)銜接，得以在保證質量的前提現(xiàn)下將效率最大化。

另一方面，與多數(shù)開源與在線標注工具相比，后者存在著極高的部署門檻與學習成本，如不同版本間的不同編譯與配置部署、標簽設置繁瑣、數(shù)據(jù)導出限制過多等問題。這對于技術驅動型的AI企業(yè)而言，將成為業(yè)務最致命的死穴。

而云測數(shù)據(jù)這套模式，全方位支持企業(yè)在文本、語音、圖像、視頻等各類AI數(shù)據(jù)處理需求，且已完成對智慧城市、智能家居、智能駕駛、智慧金融等不同行業(yè)的覆蓋。這種服務體驗，將企業(yè)精力重新聚焦在業(yè)務自身之上，從長遠來看也更符合當前降本增效的業(yè)務需求。

Testin云測總裁徐琨在采訪中指出：“為客戶降本增效，不斷為客戶創(chuàng)造價值，幫助客戶在這個充滿不確定性的時代，或保持優(yōu)勢，或突圍而出，依然是我們的初衷。”

此外，考慮到不同業(yè)務類型不同敏感級別的數(shù)據(jù)隱私需求，云測數(shù)據(jù)亦設置了一系列嚴格措施。其中一條核心原則就是數(shù)據(jù)絕不復用，當AI數(shù)據(jù)合格交付后絕不留底。其二便是所有與云測數(shù)據(jù)進行數(shù)據(jù)采集的用戶都會簽訂數(shù)據(jù)授權協(xié)議，從來源上確保企業(yè)用于訓練的AI數(shù)據(jù)合法合規(guī)。并通過內(nèi)部設定的數(shù)據(jù)隔離、質量保障等一系列數(shù)據(jù)安全流程和技術，從多個維度破解潛在的數(shù)據(jù)泄露風險。

高質量數(shù)據(jù)攻破AI行業(yè)天花板

復盤近年來AI發(fā)展，這個時代標志性技術，已然從學術界逐步走進了產(chǎn)業(yè)界中。雖然其催生出的大量新業(yè)態(tài)被看好，但真正能夠支撐落地的應用仍屬鳳毛麟角。

如近幾年炒的異常火熱的無人駕駛，之所以很難脫離測試道路，原因便在于機器對復雜道路的理解不盡人意，而究其根源依舊是高質量AI數(shù)據(jù)的稀缺。再如近期發(fā)表在《歐洲心臟雜志》上的一項AI看診新技術，之所以對其的描述仍為‘深度學習工具邁出的新一步’，問題本質仍出在精確度遠未達到推廣到臨床環(huán)境中所需水平方面。

不可置否，高質量AI數(shù)據(jù)已是AI能否實現(xiàn)產(chǎn)業(yè)化的關鍵。尤其在當前5G商用落地加速以及“新基建”的雙重帶動下，產(chǎn)業(yè)與經(jīng)濟結構的調(diào)整升級、新舊動能穩(wěn)步轉換推進已是大勢所趨。因此，云測數(shù)據(jù)最高交付精準度達99.99%的這一成果，必將成為AI產(chǎn)業(yè)打破自身天花板的一個全新變量。

正如Testin云測總裁徐琨所說：“效率的提升最終都是通過技術來實現(xiàn)的，新技術孕育著新機會。人工智能是劃時代的技術，我相信，在不久的未來，人工智能將成為像互聯(lián)網(wǎng)一樣的通用型技術，云測數(shù)據(jù)作為人工智能技術的AI數(shù)據(jù)服務提供商，將成為AI創(chuàng)新的土壤和支撐?！?br /> 責任編輯:pj