文|AI前線

　　作者|劉燕

　　AI前線導(dǎo)讀：如果將人工智能比作火箭，那么，數(shù)據(jù)就是助推火箭上升的燃料。機(jī)器學(xué)習(xí)依賴大量的已標(biāo)注數(shù)據(jù)，數(shù)據(jù)標(biāo)注讓機(jī)器理解并認(rèn)識世界。數(shù)據(jù)標(biāo)注是人工智能發(fā)展過程中不可缺的一環(huán)，是AI金字塔構(gòu)建的基礎(chǔ)力量。與AI臺前的繁榮、高光形成鮮明對比的是，數(shù)據(jù)標(biāo)注往往居于幕后，常被人忽視，也受到一些偏見，血汗工廠、AI富士康、新型民工...隨著AI深入落地對數(shù)據(jù)提出更高的要求，數(shù)據(jù)標(biāo)注行業(yè)也從草莽生長階段逐漸過渡到更精細(xì)化的成長期。

　　01 AI金字塔背后的數(shù)據(jù)標(biāo)注

　　數(shù)據(jù)是機(jī)器學(xué)習(xí)的基礎(chǔ)，機(jī)器學(xué)習(xí)建立在數(shù)據(jù)建?；A(chǔ)上，豐富的標(biāo)簽是機(jī)器學(xué)習(xí)成功建模的前提。監(jiān)督學(xué)習(xí)是目前應(yīng)用最廣泛的機(jī)器學(xué)習(xí)算法，該方法強(qiáng)依賴標(biāo)注數(shù)據(jù)，它通過學(xué)習(xí)大量標(biāo)注的訓(xùn)練樣本來構(gòu)建預(yù)測模型。深度學(xué)習(xí)也需要大量數(shù)據(jù)的投喂，以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)框架都需要在大型的監(jiān)督數(shù)據(jù)集上進(jìn)行訓(xùn)練，百分點(diǎn)首席算法科學(xué)家蘇海波曾表示，深度學(xué)習(xí)只有在擁有充足標(biāo)注數(shù)據(jù)的場景下才能發(fā)揮它的威力，但在很多實際的應(yīng)用中卻沒有足夠的標(biāo)注數(shù)據(jù)。

　　AI技術(shù)在全場景的落地以及大數(shù)據(jù)時代的到來產(chǎn)生了海量、指數(shù)級別的數(shù)據(jù)，數(shù)據(jù)獲取也相對變得容易，然而，想要獲得大量的已標(biāo)注數(shù)據(jù)卻并不容易，往往需要付出很大的人力、物力、財力成本。在醫(yī)療AI等專業(yè)門檻較高的細(xì)分領(lǐng)域，缺乏標(biāo)注數(shù)據(jù)就成了阻礙行業(yè)發(fā)展的絆腳石，騰訊優(yōu)圖實驗室總監(jiān)鄭冶楓曾在接受AI前線采訪時表示，醫(yī)療數(shù)據(jù)標(biāo)注難一方面體現(xiàn)在頂尖的醫(yī)療數(shù)據(jù)標(biāo)注人才缺乏，另一方面，臨床、科研任務(wù)重，很多醫(yī)療專家沒有時間和精力做數(shù)據(jù)標(biāo)注。

　　數(shù)據(jù)標(biāo)注主要是針對語音、圖像、文本等進(jìn)行標(biāo)注，主要通過做標(biāo)記、標(biāo)重點(diǎn)、打標(biāo)簽、框?qū)ο?、做注釋等方式對?shù)據(jù)集作出標(biāo)注，再將這些數(shù)據(jù)集給機(jī)器訓(xùn)練和學(xué)習(xí)。數(shù)據(jù)標(biāo)注的類型主要有：拼音標(biāo)注、韻律標(biāo)注、詞性標(biāo)注、音素時間點(diǎn)標(biāo)注、語音轉(zhuǎn)寫、分類標(biāo)注、打點(diǎn)標(biāo)注、標(biāo)框標(biāo)注、區(qū)域標(biāo)注等等。由于需要標(biāo)注的數(shù)據(jù)規(guī)模龐大且成本較高，一些互聯(lián)網(wǎng)巨頭及一些AI公司很少自己設(shè)有標(biāo)注團(tuán)隊，大多交給第三方數(shù)據(jù)服務(wù)公司或者數(shù)據(jù)標(biāo)注團(tuán)隊來做。

　　數(shù)據(jù)服務(wù)是標(biāo)貝科技的起家業(yè)務(wù)，自2016年成立以來，標(biāo)貝科技為BAT、AI獨(dú)角獸等多家公司提供過語音、圖像、NLP數(shù)據(jù)的采集、標(biāo)注等服務(wù)。據(jù)標(biāo)貝科技數(shù)據(jù)負(fù)責(zé)人繆冠瓊介紹，標(biāo)貝有自研的采集標(biāo)注平臺，包括長語音（對話、持續(xù)）標(biāo)注平臺和短語音（十幾秒）標(biāo)注平臺，AI語音合成數(shù)據(jù)標(biāo)注平臺、數(shù)據(jù)工場APP等。在標(biāo)注平臺的選擇上，會依據(jù)圖像、語音數(shù)據(jù)、數(shù)據(jù)來源、客戶需求等綜合決定。以語音合成數(shù)據(jù)標(biāo)注為例，會標(biāo)注其音字、韻律、音素時間點(diǎn)、詞性等標(biāo)簽。

　　人工智能的繁榮催生并壯大了數(shù)據(jù)標(biāo)注行業(yè)，也創(chuàng)造了大量的就業(yè)崗位。有數(shù)據(jù)顯示，目前中國的全職數(shù)據(jù)標(biāo)注從業(yè)者有約20萬人，兼職數(shù)據(jù)標(biāo)注從業(yè)者有約一百萬人，全國從事數(shù)據(jù)標(biāo)注業(yè)務(wù)的公司約有幾百家。

　　02 數(shù)據(jù)民工？

　　在數(shù)據(jù)標(biāo)注行業(yè)流行著一句話，有多少智能，就有多少人工。數(shù)據(jù)標(biāo)注是人工智能發(fā)展中至關(guān)重要的一環(huán)，卻常常容易被人忽視。

　　相對而言，數(shù)據(jù)標(biāo)注是人工智能領(lǐng)域入門級的工種，單從工作流程看，其技術(shù)含量較低，人是這項工作中最大的影響因素，久而久之，勞動密集型成為外界給數(shù)據(jù)標(biāo)注行業(yè)貼上的一個標(biāo)簽。低門檻吸引了眾多農(nóng)民、學(xué)生、殘疾人群體加入到數(shù)據(jù)標(biāo)注大軍中，在我國河南、河北、貴州、山西等地的四五線城市還出現(xiàn)了一些特色的數(shù)據(jù)標(biāo)注村。

　　不止中國，向勞動力更充足、成本更低的地方遷移也是全球數(shù)據(jù)標(biāo)注行業(yè)的發(fā)展趨勢。印度涌現(xiàn)了不少數(shù)據(jù)標(biāo)注村，他們?yōu)槊绹?、歐洲、澳洲和亞洲的AI公司服務(wù)，F(xiàn)acebook就曾將部分社交內(nèi)容標(biāo)注的工作外包給了一家印度公司。

　　上述務(wù)工者也由此成為了人工智能浪潮中的參與者，盡管待遇上遠(yuǎn)遠(yuǎn)少于其他人工智能從業(yè)者，但相較傳統(tǒng)的體力工作，數(shù)據(jù)標(biāo)注員的工作倒是更輕松，體面。不過，硬幣的另一面是，這項工作流程簡單，單調(diào)乏味，數(shù)據(jù)標(biāo)注員日復(fù)一日重復(fù)畫框的工作...。。關(guān)于數(shù)據(jù)標(biāo)注行業(yè)是臟活累活、數(shù)據(jù)民工的論調(diào)也四散而起。

　　對于這些聲音，繆冠瓊并不認(rèn)同。

　　我覺得（它）不是‘臟活累活’行業(yè)，因為這并不是一個什么人都可以做的工作。AI本身發(fā)展很快，隨著應(yīng)用產(chǎn)品落地，對數(shù)據(jù)的要求越來越高，對數(shù)據(jù)采標(biāo)人員的素質(zhì)也提出了高要求。考慮到外包團(tuán)隊服務(wù)質(zhì)量難以把控等因素，標(biāo)貝科技所承接的項目主要依靠自有數(shù)據(jù)標(biāo)注團(tuán)隊，其在天津、長春等城市設(shè)有數(shù)據(jù)團(tuán)隊，兼職人員則視項目大小臨時擴(kuò)容，遴選兼職人員時更考慮專業(yè)水平，要求具有語言、方言背景，或者有數(shù)據(jù)標(biāo)注經(jīng)驗，無經(jīng)驗者要經(jīng)過至少6個月培訓(xùn)。

　　繆冠瓊表示，數(shù)據(jù)標(biāo)注行業(yè)的發(fā)展越來越趨向于專業(yè)化，早期多以中文數(shù)據(jù)標(biāo)注為主，現(xiàn)在隨著多語種、方言、個性化標(biāo)注等發(fā)展標(biāo)注需求的增加，并不是隨便拉來很多人就可以做的，需要專業(yè)的人才。此外，血汗工廠這種情形多出現(xiàn)在行業(yè)早期且多針對于只有數(shù)據(jù)標(biāo)注一項業(yè)務(wù)的小團(tuán)隊，它們承接不了一些復(fù)雜的、定制化的項目。從工作量上看，結(jié)合客戶需求，以語音標(biāo)注為例，標(biāo)貝科技的數(shù)據(jù)標(biāo)注員一個人工作一天的有效標(biāo)注語音時長為1小時。

　　03 機(jī)器標(biāo)注比重提升，但不可能取代人工

　　蠻荒時代已過去了。

　　《2019年中國人工智能基礎(chǔ)數(shù)據(jù)服務(wù)行業(yè)白皮書》分析指出，2010-2016年為數(shù)據(jù)服務(wù)行業(yè)的初生期，早期數(shù)據(jù)標(biāo)注需求激增，加之入行門檻低，涌入了大量玩家，魚龍混雜。自2017年以來，伴隨著AI深入落地到各個應(yīng)用場景中，數(shù)據(jù)標(biāo)注行業(yè)了進(jìn)入成長期，上層應(yīng)用端的廠商對數(shù)據(jù)標(biāo)注質(zhì)的要求不斷提高，如自動駕駛、運(yùn)動圖像、計算機(jī)視覺等領(lǐng)域的數(shù)據(jù)標(biāo)注難度很高。

　　行業(yè)格局漸漸清晰，馬太效應(yīng)明顯。據(jù)了解，國內(nèi)從事數(shù)據(jù)標(biāo)注業(yè)務(wù)公司/團(tuán)隊約有幾百家，其中獨(dú)立做整個數(shù)據(jù)質(zhì)量服務(wù)的約百余家，能夠提供數(shù)據(jù)采標(biāo)服務(wù)一體化的有幾十家，能夠提供高標(biāo)準(zhǔn)基礎(chǔ)數(shù)據(jù)服務(wù)的僅有十幾家?，F(xiàn)階段，下游AI算法研發(fā)單位多將業(yè)務(wù)分流給不同數(shù)據(jù)服務(wù)公司加之?dāng)?shù)據(jù)標(biāo)注相關(guān)標(biāo)準(zhǔn)待完善，該行業(yè)還沒有出現(xiàn)大的巨頭公司。

　　這是一個尚未飽和的市場，同樣，這也意味著巨大的發(fā)展空間。據(jù)統(tǒng)計，2018年中國人工智能基礎(chǔ)數(shù)據(jù)服務(wù)市場規(guī)模為25.86億元，行業(yè)年復(fù)合增長率為23.5%。

　　繆冠瓊認(rèn)為，受數(shù)據(jù)安全和質(zhì)量標(biāo)準(zhǔn)不斷提升及相關(guān)數(shù)據(jù)政策出臺影響，一些不滿足行業(yè)標(biāo)準(zhǔn)及客戶需求的將會被市場淘汰。她補(bǔ)充，行業(yè)目前正處于一個上升的、快速發(fā)展的階段，整體在朝著個性化、專業(yè)化的方向發(fā)展，從早期較簡單的、通用的數(shù)據(jù)過渡到更復(fù)雜的個性化的、場景化的數(shù)據(jù)，對于很多細(xì)分領(lǐng)域，需要大量真實的模型進(jìn)行標(biāo)注去迭代模型，而非簡單的通用數(shù)據(jù)可以滿足的。

　　數(shù)據(jù)標(biāo)注行業(yè)也已經(jīng)開始進(jìn)入到人機(jī)協(xié)作的階段，數(shù)據(jù)標(biāo)注市場需求量仍舊很大，需要更加專業(yè)的人及高效的機(jī)器協(xié)助，機(jī)器標(biāo)注所占的比重會不斷提升，AI技術(shù)與數(shù)據(jù)互補(bǔ)，通過AI技術(shù)提升數(shù)據(jù)效率，數(shù)據(jù)反過來服務(wù)于技術(shù)。

　　為降低人工成本，提高效率，不少互聯(lián)網(wǎng)技術(shù)公司及第三方數(shù)據(jù)服務(wù)商在開發(fā)自己的標(biāo)注工具。去年10月，Google發(fā)布了用于完整圖像標(biāo)注的人機(jī)協(xié)作接口Fluid Annotation，利用它標(biāo)注圖像中每個對象和背景區(qū)域的類標(biāo)簽與輪廓，可將標(biāo)注數(shù)據(jù)集的創(chuàng)建速度提高三倍。數(shù)據(jù)標(biāo)注眾包平臺也不斷涌現(xiàn)，京東眾智、百度眾測、figure-eight、亞馬遜的Mechanical Turk等。

　　未來，機(jī)器標(biāo)注、人工輔助將成為可以預(yù)見的發(fā)展趨勢。這對數(shù)據(jù)標(biāo)注村來說或許并不是一件好事。但繆冠瓊認(rèn)為，機(jī)器不可能完全取代人工。現(xiàn)階段人工標(biāo)注的準(zhǔn)確度要高于機(jī)器，機(jī)器只能跑出有一定比例的正確結(jié)果，更精確的結(jié)果仍需要人工來標(biāo)注，且發(fā)揮的作用更關(guān)鍵。此外，在質(zhì)檢環(huán)節(jié)，人的作用也無可替代，標(biāo)貝數(shù)據(jù)校對采用人工為主的處理方式，采用遵循一審、二校、三驗流程，機(jī)器會抽檢、驗收一部分?jǐn)?shù)據(jù)并給出預(yù)處理結(jié)果，最終的結(jié)果要靠精細(xì)化的人工校對。

　　嘉賓介紹

　　繆冠瓊，標(biāo)貝科技聯(lián)合創(chuàng)始人，數(shù)據(jù)業(yè)務(wù)負(fù)責(zé)人，語音及數(shù)據(jù)領(lǐng)域?qū)＜?，行業(yè)經(jīng)驗超過17年以上，參與多本專業(yè)書籍編寫，在產(chǎn)品與數(shù)據(jù)的場景結(jié)合上有獨(dú)特的解決方案。