制作于公元前196年的羅塞塔石碑(Rosetta Stone)，刻有古埃及國(guó)王托勒密五世登基的詔書(shū)。
石碑上用古希臘文、古埃及象形文以及當(dāng)時(shí)埃及平民使用的通俗體文字刻了同樣的內(nèi)容，這讓考古學(xué)家解讀出失傳千余年的埃及象形文的意義與結(jié)構(gòu)，找到讀懂古埃及的密碼。
△羅塞塔石碑
在AI領(lǐng)域，為了讓機(jī)器讀懂人類(lèi)世界，同樣有這么一塊「羅塞塔石碑」——數(shù)據(jù)標(biāo)注。它的存在讓大規(guī)模訓(xùn)練數(shù)據(jù)的機(jī)器學(xué)習(xí)成為可能。
1
—
數(shù)據(jù)——新的石油
所謂數(shù)據(jù)標(biāo)注，指的是對(duì)未經(jīng)處理的語(yǔ)音、圖片、文本、視頻等原始數(shù)據(jù)進(jìn)行加工處理, 使其成為結(jié)構(gòu)化數(shù)據(jù)讓機(jī)器可識(shí)別的過(guò)程。
在以深度學(xué)習(xí)為主的感知模型中，主流的深度學(xué)習(xí)訓(xùn)練方法還是監(jiān)督學(xué)習(xí)，用這種方法訓(xùn)練，需要向模型「喂」海量的數(shù)據(jù)，且數(shù)據(jù)需要是「真值(Ground Truth)」數(shù)據(jù)，這些數(shù)據(jù)就來(lái)自于數(shù)據(jù)標(biāo)注。
目前火爆全網(wǎng)的ChatGPT，做出來(lái)的關(guān)鍵并不在于算法，方法論大家都知道，但「喂養(yǎng)」ChatGPT的「數(shù)據(jù)」并不公開(kāi)，這里的「數(shù)據(jù)」包括數(shù)據(jù)的獲得、清洗、分類(lèi)、數(shù)據(jù)標(biāo)簽平衡、反饋、區(qū)分帶噪音的數(shù)據(jù)等等，有很多細(xì)節(jié)。
從這不難看出，數(shù)據(jù)在AI發(fā)展過(guò)程中極為重要，業(yè)內(nèi)甚至將數(shù)據(jù)稱(chēng)為「新的石油」來(lái)形容它作為將人類(lèi)智能轉(zhuǎn)化為機(jī)器智能原材料的重要性。
但放眼整個(gè)AI行業(yè)，數(shù)據(jù)的受關(guān)注度遠(yuǎn)沒(méi)有AI三元素的的另外兩個(gè)元素——算法和算力來(lái)得高。
造成這個(gè)結(jié)果的最主要原因就是因?yàn)閿?shù)據(jù)標(biāo)注行業(yè)是一個(gè)勞動(dòng)密集型的產(chǎn)業(yè)，「足夠廉價(jià)的勞動(dòng)力」是數(shù)據(jù)標(biāo)注公司的一大標(biāo)簽。在新疆、河南、山西等勞動(dòng)力較為低廉的地區(qū)，形成了數(shù)據(jù)標(biāo)注的產(chǎn)業(yè)集群。
這樣的標(biāo)簽與站在臺(tái)前的AI企業(yè)形成了強(qiáng)烈對(duì)比，自然很難得到重視。雖然國(guó)內(nèi)數(shù)據(jù)標(biāo)注規(guī)模化發(fā)展時(shí)間較早，但一直沒(méi)有找到明確發(fā)展方向與定位。
直到美國(guó)數(shù)據(jù)標(biāo)注企業(yè)Scale AI，用5年時(shí)間(2016-2021)實(shí)現(xiàn)超73億美金的估值，國(guó)內(nèi)數(shù)據(jù)標(biāo)注行業(yè)才注入了一劑強(qiáng)心劑。
隨后，隨著特斯拉在2022 AI DAY上推出Auto Labelling標(biāo)注平臺(tái)，并推出4D標(biāo)注技術(shù)，這讓更多人知道了自動(dòng)化標(biāo)注的存在，也讓更多專(zhuān)業(yè)的數(shù)據(jù)標(biāo)注企業(yè)走到臺(tái)前。
星塵數(shù)據(jù)就是其中一員。
2
—
從人力工廠(chǎng)到數(shù)據(jù)策略專(zhuān)家
曾經(jīng)在大英博物館看到過(guò)羅塞塔石碑的星塵數(shù)據(jù)創(chuàng)始人、CEO章磊，很快就聯(lián)想到了自己所做的數(shù)據(jù)標(biāo)注工作。因此，給星塵數(shù)據(jù)的標(biāo)注平臺(tái)取名為Rosetta。
3月1日，星塵數(shù)據(jù)Rosetta3.0平臺(tái)正式上線(xiàn)。
△星塵數(shù)據(jù)創(chuàng)始人、CEO章磊
在交流過(guò)程中，章磊提出了標(biāo)注行業(yè)認(rèn)知天梯的概念，認(rèn)為標(biāo)注行業(yè)的初級(jí)認(rèn)知是「人力工廠(chǎng)」，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，這也是外界對(duì)數(shù)據(jù)標(biāo)注行業(yè)較為普遍的認(rèn)知畫(huà)像。
但到了中級(jí)認(rèn)知，對(duì)項(xiàng)目管理的難度和標(biāo)注工具的復(fù)雜度會(huì)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;而高級(jí)認(rèn)知?jiǎng)t更重視平臺(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。
在「高級(jí)認(rèn)知」中，章磊特意強(qiáng)調(diào)了數(shù)據(jù)策略的重要性，這也是星塵數(shù)據(jù)的一項(xiàng)重要競(jìng)爭(zhēng)力和產(chǎn)品，其中包括了數(shù)據(jù)增強(qiáng)、數(shù)據(jù)平衡、人機(jī)交互反饋、數(shù)據(jù)選擇以及主觀性數(shù)據(jù)處理。
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，執(zhí)行過(guò)程中，算法的思路并不能一次性達(dá)到最優(yōu);其次，數(shù)據(jù)標(biāo)注人員僅僅是一個(gè)「干活兒的」角色，并不能幫助更好地迭代算法效果。此外，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。這就使得即便數(shù)據(jù)量足夠，也往往難以提高模型能力，成本還有所增加，完全是一種事倍功半的狀態(tài)。
章磊認(rèn)為，目前標(biāo)注行業(yè)的供給是低于行業(yè)需求的。
“過(guò)去我們?nèi)钡氖菙?shù)據(jù)量，但現(xiàn)在不缺量，缺的是真正有價(jià)值的數(shù)據(jù)。所以行業(yè)正逐漸從一般性的數(shù)據(jù)采集變成了數(shù)據(jù)挖掘，從海量數(shù)據(jù)中大海撈針，這是當(dāng)前行業(yè)的一個(gè)挑戰(zhàn)。「數(shù)據(jù)策略」就是星塵應(yīng)對(duì)挑戰(zhàn)的策略，同時(shí)也是我們與其他公司最大的一個(gè)不同——我們的定位是人工智能的數(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)，既包括算法中和數(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、Human-in-the-loop、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(hù)。
“一個(gè)典型的例子是，客戶(hù)在感知算法中因?yàn)闆](méi)有做運(yùn)動(dòng)補(bǔ)償，需要對(duì)相機(jī)信號(hào)和雷達(dá)信號(hào)逐一進(jìn)行人工確認(rèn)。星塵的數(shù)據(jù)策略專(zhuān)家和算法溝通后，提出通過(guò)2DOD算法和3D映射聯(lián)合計(jì)算，通過(guò)IoU篩選候選樣本的方案，并將多個(gè)算法直接以人機(jī)交互的方式嵌入標(biāo)注流程中，節(jié)省了50%以上的標(biāo)注時(shí)間。” 章磊說(shuō)明道。
3
—
打造數(shù)據(jù)標(biāo)注界的Photoshop
目前企業(yè)在選擇數(shù)據(jù)標(biāo)注服務(wù)時(shí)，往往有以下幾種模式：
首先是選擇開(kāi)源工具進(jìn)行數(shù)據(jù)標(biāo)注。但開(kāi)源工具往往只是一個(gè)Demo產(chǎn)品，屬于前端研發(fā)的小工具，缺乏用戶(hù)數(shù)據(jù)加工流程的打磨，中后端產(chǎn)品功能弱。另外，對(duì)于技術(shù)和人員要求高、專(zhuān)業(yè)度強(qiáng)、規(guī)模大、自動(dòng)化高的需求都無(wú)法滿(mǎn)足。
同時(shí)，隨著各類(lèi)傳感器和應(yīng)用場(chǎng)景的不斷豐富，自動(dòng)駕駛所需標(biāo)注的數(shù)據(jù)類(lèi)型呈現(xiàn)多樣化，開(kāi)源工具很可能出現(xiàn)底層數(shù)據(jù)和底層架構(gòu)不支持某種數(shù)據(jù)的情況。
第二種模式就是內(nèi)部生產(chǎn)，這里還可以細(xì)分出人力是否外包兩種情況。在不外包的前提下，內(nèi)部標(biāo)注團(tuán)隊(duì)人力成本較高，投入產(chǎn)出比很小。同時(shí)，由于不是收入部門(mén)，預(yù)算有限，技術(shù)迭代積極性就會(huì)較低，這將進(jìn)一步拉低投入產(chǎn)出比，最終難以形成正向循環(huán)。所以我們看到京東、阿里、騰訊這些大廠(chǎng)都解散了標(biāo)注部門(mén)。
而如果將人力外包，企業(yè)自己僅提供標(biāo)注平臺(tái)和標(biāo)注工具，會(huì)由于缺乏管理工具和手段，經(jīng)常會(huì)面臨人工標(biāo)注隨意度高、數(shù)據(jù)非標(biāo)、出錯(cuò)率高、返工率高等問(wèn)題，同樣難以及時(shí)且高效地滿(mǎn)足需求。
正因?yàn)橛辛艘陨贤袋c(diǎn)，才有了星塵數(shù)據(jù)這樣專(zhuān)業(yè)第三方數(shù)據(jù)標(biāo)注企業(yè)的生存空間，
“但星塵不是要解決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(hù)最大的痛點(diǎn)。” 章磊說(shuō)道。
作為解決客戶(hù)痛點(diǎn)的重要標(biāo)注工具，Rosetta3.0基本可以和Photoshop、Sketch這些耳熟能詳?shù)墓ぞ吖δ茇S富程度、算法接入能力、交互等方面媲美。
上面這張圖，展示了Rosetta3.0平臺(tái)內(nèi)部分4D重建點(diǎn)云，據(jù)章磊介紹，如果全部展示會(huì)有超過(guò)500萬(wàn)個(gè)點(diǎn)。而市面上常規(guī)對(duì)空間描繪能力的細(xì)節(jié)程度是在30萬(wàn)~80萬(wàn)個(gè)點(diǎn)左右。“同時(shí)，我們還可以做到最長(zhǎng)達(dá)2000幀的標(biāo)注，正常500幀沒(méi)有任何壓力的一個(gè)連續(xù)幀。也就是說(shuō)一秒鐘是10幀的話(huà)，星塵可以標(biāo)一分鐘的視頻或者一分鐘的3D空間數(shù)據(jù)量。而同行業(yè)大約在50幀左右，我們是超越友商一個(gè)數(shù)量級(jí)的標(biāo)注處理能力。”
在最后總結(jié)星塵數(shù)據(jù)到底是個(gè)怎樣的存在時(shí)，章磊說(shuō)道：“我們是自帶工具、材料、裝修方案到客戶(hù)家里幫忙裝修。這種模式更加貼近中國(guó)的真實(shí)市場(chǎng)環(huán)境，首先數(shù)據(jù)是剛需，第二要處理數(shù)據(jù)必須要有金剛鉆，第三我們還能幫你設(shè)計(jì)，幫你架構(gòu)，和你一起探討策略，最終以一整完整的服務(wù)和產(chǎn)品矩陣來(lái)共同完成這些事。”
這一套流程就是星塵數(shù)據(jù)的數(shù)據(jù)閉環(huán)。
據(jù)章磊介紹，星塵數(shù)據(jù)已經(jīng)服務(wù)了50多家頭部的車(chē)廠(chǎng)和自動(dòng)駕駛公司，其數(shù)據(jù)閉環(huán)體系，用自動(dòng)化的方式減少了60%以上的數(shù)據(jù)處理量，能夠幫客戶(hù)的算法迭代周期從三個(gè)月縮短到兩周，客戶(hù)每?jī)芍芫涂梢愿乱话婺Ｐ汀?ldquo;我們能實(shí)時(shí)給客戶(hù)反饋，用戶(hù)也能實(shí)時(shí)把數(shù)據(jù)送標(biāo)，基于我們的數(shù)據(jù)管理系統(tǒng)，客戶(hù)從數(shù)據(jù)落盤(pán)(數(shù)據(jù)寫(xiě)入磁盤(pán)，自動(dòng)駕駛領(lǐng)域主要指采集的數(shù)據(jù)從傳感器到硬盤(pán)或云上的過(guò)程)到數(shù)據(jù)處理、數(shù)據(jù)標(biāo)注、數(shù)據(jù)送檢，到最后把數(shù)據(jù)‘喂’給算法，整個(gè)過(guò)程全部自動(dòng)化” 。
