訂閱
糾錯
加入自媒體

AI的數(shù)據(jù)、算法、算力“輪流坐莊”,NLP到了“數(shù)據(jù)為王”的時代

工作人員齊整坐好,每個人都對著電腦全神貫注,一件又一件的“東西”在眼前劃過,經(jīng)過標準化處理就轉(zhuǎn)到下一流程……這實際上是人工智能行業(yè)里的數(shù)據(jù)標注辦公區(qū)一角。

由于深度學習的研究方向,人力密集型的數(shù)據(jù)標注工作是推進人工智能技術(shù)落地的重要環(huán)節(jié)之一。

很長一段時間以來,在過往AI的發(fā)展中數(shù)據(jù)的采集與標注行業(yè)沒有過多地被關(guān)注,畢竟,與算法、算力這些高大上的東西相比,AI數(shù)據(jù)的生產(chǎn)總帶著那么幾分與AI技術(shù)的“科技感”截然不同的形象。

然而,隨著AI的發(fā)展走向縱深,更多人發(fā)現(xiàn)這是一個誤解,AI數(shù)據(jù)產(chǎn)業(yè)正在向著高專業(yè)化、高質(zhì)量化的方向蓬勃發(fā)展。

根據(jù)2018年智研發(fā)布的《2019-2025年中國數(shù)據(jù)標注與審核行業(yè)市場專項分析研究及投資前景預測報告》,2018年該行業(yè)市場規(guī)模已達到52.55億元,2020年市場規(guī)模有望突破百億。有行業(yè)人士估計AI項目中會有10%的資金用于數(shù)據(jù)的采集和標記,2020年,數(shù)據(jù)標注行業(yè)最終市場規(guī)模將達到150億。

而分享市場的,既有BAT、京東等互聯(lián)網(wǎng)巨頭,也有云測數(shù)據(jù)這種專注于高質(zhì)量交付的專業(yè)化數(shù)據(jù)平臺。

龐大的前景下,數(shù)據(jù)采集與標注也可以分NLP(自然語音處理)、CV(計算機視覺)等幾個部分,隨著數(shù)據(jù)需求量的增大、對數(shù)據(jù)質(zhì)量要求的提高,其中的NLP越來越成為“硬骨頭”,AI數(shù)據(jù)產(chǎn)業(yè)終將面臨它帶來的難題,也承襲這種難題下空出的市場空間。

AI的數(shù)據(jù)、算法和算力“輪流坐莊”,NLP到了“數(shù)據(jù)為王”的時代

芯片制程以及大規(guī)模并聯(lián)計算技術(shù)的發(fā)展,使得算力快速提升后,AI能力的提升主要集中到了算法和數(shù)據(jù)上(算力提升當然還有價值,只是相對價值那么明顯了,例如不可能對一個物聯(lián)網(wǎng)終端設(shè)備有太多的算力設(shè)定要求)。

這方面,多年以來,人工智能技術(shù)都呈現(xiàn)“輪流坐莊”的螺旋提升關(guān)系:

算法突破后,可容納的數(shù)據(jù)計算量往往變得很大,所以會迎來一波數(shù)據(jù)需求的高潮;而當AI數(shù)據(jù)通過某些方式達到一個新的程度時,原來的算法又“不夠了”,需要提升。

2018年11月,Google AI團隊推出劃時代的BERT模型,在NLP業(yè)內(nèi)引起巨大反響,認為是NLP領(lǐng)域里程碑式的進步,地位類似于更早期出現(xiàn)的Resnet相對于CV的價值。

以BERT為主的算法體系開始在AI領(lǐng)域大放異彩,從那時起,數(shù)據(jù)的重要性排在了NLP的首位。

加上兩個方面的因素,這等于把NLP數(shù)據(jù)采集與標注推到了更有挑戰(zhàn)的位置上。

一個因素,是NLP本身相對CV在AI數(shù)據(jù)方面的要求就更復雜。

CV是“感知型”AI,在數(shù)據(jù)方面有Ground Truth(近似理解為標準答案),例如在一個圖片中,車、人、車道線等是什么就是什么,在采集和標注時很難出現(xiàn)“感知錯誤”(圖片來源:云測數(shù)據(jù))

AI的數(shù)據(jù)、算法、算力“輪流坐莊”,NLP到了“數(shù)據(jù)為王”的時代

而NLP是“認知”型AI,依賴人的理解不同產(chǎn)生不同的意義,表達出各種需要揣測的意圖,Ground Truth是主觀的。

例如,“這房間就是個烤箱”可能是說房間的布局不好,但更有可能說的是里邊太熱。人類語言更富魅力的“言有盡而意無窮”的特點,應(yīng)用于AI時,需要被多方位、深度探索。

另一個因素,是AI數(shù)據(jù)的價值整體上由“飼料”到“奶粉”,對NLP而言這更有挑戰(zhàn)。

大部分算法在擁有足夠多常規(guī)標注數(shù)據(jù)的情況下,能夠?qū)⒆R別準確率提升到95%,而商業(yè)化落地的需求現(xiàn)在顯然不止于此,精細化、場景化、高質(zhì)量的數(shù)據(jù)成為關(guān)鍵點,從95% 再提升到99% 甚至99.9%需要大量高質(zhì)量的標注數(shù)據(jù),它們成為制約模型和算法突破瓶頸的關(guān)鍵指標。

但是,正如云測數(shù)據(jù)總經(jīng)理賈宇航所言,“圖像采標有很強的規(guī)則性,按照規(guī)范化的指導文檔工作即可,但NLP數(shù)據(jù)對應(yīng)的是語言的豐富性,需要結(jié)合上下文等背景去理解和處理!痹诟呶惶嵘@件事上,NLP數(shù)據(jù)更難。

例如,在訂機票這個看似簡單的AI對話場景中,想訂票的人會有多種表達,“有去上海的航班么”,“要出差,幫我查下機票”,“查下航班,下周二出發(fā)去上!薄匀徽Z言有無窮多的組合表現(xiàn)出這個意圖,AI要“認得”它們,就需要大量高質(zhì)量的數(shù)據(jù)的訓練。

1  2  3  下一頁>  
聲明: 本文由入駐維科號的作者撰寫,觀點僅代表作者本人,不代表OFweek立場。如有侵權(quán)或其他問題,請聯(lián)系舉報。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗證碼繼續(xù)

暫無評論

暫無評論

人工智能 獵頭職位 更多
掃碼關(guān)注公眾號
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯
x
*文字標題:
*糾錯內(nèi)容:
聯(lián)系郵箱:
*驗 證 碼:

粵公網(wǎng)安備 44030502002758號