澳鵬Appen蔣孟杰：人工智能數(shù)據(jù)標注與訓練，是決定智能時代的第一步

深圳2021年5月26日 /美通社/ -- 近日，澳鵬Appen憑借業(yè)界高度認可的“人工智能輔助數(shù)據(jù)標注平臺”在2021第二屆深圳（國際）人工智能展上斬獲“優(yōu)秀產(chǎn)品獎”?；顒蝇F(xiàn)場，澳鵬Appen（中國）高級研發(fā)總監(jiān)蔣孟杰接受CSDN記者鄧曉娟Carol的專訪。訪問原文如下：

2021年5月20日~23日，由深圳市科學技術協(xié)會、深圳市商務局、深圳市福田區(qū)人民政府共同指導，深圳市科技開發(fā)交流中心、深圳市人工智能行業(yè)協(xié)會聯(lián)合主辦的2021第二屆深圳國際人工智能展開幕式暨智能制造創(chuàng)新高峰論壇在深圳會展中心（福田）圓滿舉行。

深圳市科協(xié)主席蔣宇揚在大會致辭中指出：“人工智能既是引領未來的戰(zhàn)略性技術，也是新一輪產(chǎn)業(yè)變革的核心驅(qū)動力”。誠然，在當今社會發(fā)展中，人工智能技術所占據(jù)的地位已是舉足輕重。

#01 人工智能到底“智不智能”？

正如蒸汽時代的蒸汽機、電氣時代的發(fā)電機、信息時代的計算機和互聯(lián)網(wǎng)，人工智能正在成為推動人類進入智能時代的決定性力量。

然而回溯過往，我們會發(fā)現(xiàn)熱門如人工智能技術，在發(fā)展的過程中也未必“星途坦蕩”的。在人工智能歷史上曾出現(xiàn)過“三次高潮”：

1. 上世紀50年代：神經(jīng)網(wǎng)絡浪潮
2. 上世紀80年代：BP(Back Propagation)算法被提出，用于多層神經(jīng)網(wǎng)絡的參數(shù)計算，以解決非線性分類和學習的問題等研究成果
3. 本世紀2010年代：深度學習的出現(xiàn)

在世紀50年代~80年代，由于許多應用難題無法解決和基礎研究知識難以突破而沒有達到人們預期的成果和推進。從起步-應用-低迷-平穩(wěn)-蓬勃發(fā)展，人工智能的道路上充滿著未知的探索，道路曲折起伏。

如今，我們正處于信息時代到智能時代的過渡期中，人工智能作為主要的推動因素，讓全球產(chǎn)業(yè)界充分意識到人工智能技術引領新一輪產(chǎn)業(yè)變革的重大意義，紛紛轉(zhuǎn)型發(fā)展。而“新基建”的提出與疫情的影響，讓2020年成為人工智能史上的一個重要拐點。如果說在2020年之前人工智能技術還在摸索著落地應用場景，那么在2020年開始，人工智能已經(jīng)加速進入人們的生活。

只是，在人工智能飛速發(fā)展的今天，人們的需求也不斷在上升。對于人工智能企業(yè)或轉(zhuǎn)型企業(yè)而言，如何跟上時代是首要考慮的問題。但落到群眾當中，落到人們的衣食住行當中，人工智能到底“智不智能”，才是人們所關注的重點。

企業(yè)想要把AI技術/產(chǎn)品真正落地，真正做出“好的人工智能”，首先不能讓AI技術/產(chǎn)品只停留在實驗或原型階段，AI模型的高質(zhì)量訓練是重中之重。

那么，AI模型如何才能得到高質(zhì)量訓練？在AI項目部署的生命周期當中，有哪些可優(yōu)化的地方？數(shù)據(jù)在這個過程中起到了哪些關鍵性作用？企業(yè)在轉(zhuǎn)型路上又該如何挑選數(shù)據(jù)平臺/相關服務商？帶著這些問題，CSDN記者對話了知名人工智能數(shù)據(jù)服務商澳鵬Appen的高級研發(fā)總監(jiān)蔣孟杰。

值得一提的是，澳鵬在2021第二屆深圳國際人工智能展開幕式暨智能制造創(chuàng)新高峰論壇中斬獲“優(yōu)秀產(chǎn)品獎”，也曾連續(xù)六年入圍德勤高科技成長50強企業(yè)（澳大利亞）、維科杯·OFweek2020人工智能行業(yè)優(yōu)秀產(chǎn)品應用獎（澳鵬人工智能輔助數(shù)據(jù)標注平臺）、CIAI 2020年度中國人工智能行業(yè)“十大創(chuàng)新力企業(yè)獎”等獎項。

這樣一個專注于人工智能數(shù)據(jù)標注的行業(yè)領軍服務商，是如何用數(shù)據(jù)推動人工智能技術與產(chǎn)品的？一起來聽聽蔣孟杰的真知灼見。

#02 “用AI的方式服務AI”

蔣孟杰在加入澳鵬之前，曾在國際知名電商公司eBay任職，主要專注于搜索引擎搜索算法領域。大約在11年前，也就是2010年互聯(lián)網(wǎng)蓬勃發(fā)展的階段，就與澳鵬合作利用人工審核商品和搜索關鍵字之間的相關性來做相關度算法以及線下算法評測平臺，在該領域有著豐富的經(jīng)驗及思考。

2019年3月加入澳鵬后，蔣孟杰負責中國區(qū)技術團隊的研發(fā)、及全球部分模塊研發(fā)等。他所帶領的團隊致力于打造全流程的數(shù)據(jù)平臺，包含數(shù)據(jù)采集，數(shù)據(jù)標注和數(shù)據(jù)管理。另外，針對成熟且復雜的場景開發(fā)更加高效的標注工具，如自動駕駛、人臉關鍵點、長語音轉(zhuǎn)寫等。

蔣孟杰表示，越來越多的企業(yè)正在走向AI的道路，與此同時，對訓練數(shù)據(jù)也有了更高的要求。AI模型想要真正落地，需要大量高質(zhì)量的、安全無偏差的數(shù)據(jù)，澳鵬的目標是幫助企業(yè)能夠把AI技術/產(chǎn)品真正的落地,，而不是只停留在實驗或者原型階段，將采標流程一體化。

深耕行業(yè)20多年澳鵬，在數(shù)據(jù)采集和數(shù)據(jù)標注的過程中，積累了大量的行業(yè)經(jīng)驗和案例，同時也擁有了自己先進的技術、資深的項目管理和標注團隊，并且提出“用AI的方式服務AI”的理念。

澳鵬如今擁有一個數(shù)據(jù)科學家團隊，一方面會在服務企業(yè)之前了解場景，設計如何采集數(shù)據(jù)/標注數(shù)據(jù)能真正幫助到企業(yè)成功訓練模型，以結(jié)果導向。另一方面也把AI技術應用到整個服務的流程中。用AI模型進行以下工作：

1. 自動篩選合格的眾包標注員。澳鵬有超過百萬的眾包資源，當有一個項目時，如何從這個池子里找出最合適的標注員？這個“合適”包含成本、質(zhì)量、交付周期等因素之間的權(quán)衡。澳鵬自身的匹配算法可以結(jié)合標注員歷史標注的技能, 以及他們提供的信息快速自動匹配項目的需要。
2. 輔助標注。幫助標注員提高效率。在數(shù)據(jù)標注領域有大量手工的工作，甚至可以說傳統(tǒng)數(shù)據(jù)標注幾乎100%都是手工標注。而澳鵬有專門的數(shù)據(jù)科學家團隊，專門研究人機交互以及如何利用 AI 算法來進行輔助做數(shù)據(jù)標注，幫助客戶降低成本，提高 AI 模型的迭代速度。在自動語音轉(zhuǎn)寫、OCR、自動駕駛等領域發(fā)布的輔助標注算法已達到50%以上到幾倍不等的效率提升。
3. 半自動質(zhì)檢。就像工廠生產(chǎn)線一樣，標注過的數(shù)據(jù)是需要質(zhì)檢的。甚至有可能多輪質(zhì)檢。如果大量的糟糕的標注數(shù)據(jù)提交質(zhì)檢，會毫無意義地浪費質(zhì)檢員的時間。引入半自動質(zhì)檢以后，可以配置大量檢查規(guī)則，比如小汽車要小于5米，長寬比不能太過分等數(shù)據(jù)之間的邏輯檢驗，另外也可以用質(zhì)檢算法通過一些衡量指標進行輔助質(zhì)檢。

#03 技術不能閉門造車

在人工智能數(shù)據(jù)標注領域，純自動化標注是不現(xiàn)實的，邏輯上也不成立。“你用算法生成的數(shù)據(jù)去訓練另一個算法，最完美的情況下，也就是訓練出跟之前一模一樣的一個算法?！笔Y孟杰說道。但也不能只做純手工標注，傳統(tǒng)的數(shù)據(jù)標注是個純?nèi)肆γ芗偷娜蝿?，對于技術從業(yè)者而言是非常誘人的領域，因為稍微有一點技術的引入，就能給企業(yè)降本增效。

在平臺的設計理念和系統(tǒng)架構(gòu)上，蔣孟杰有著自己的思考。業(yè)務在設計之初就引入AI中臺的概念， 圍繞著AI中臺為業(yè)務賦能，引入Apache Pulsar作為數(shù)據(jù)湖，圍繞這個核心組件設計了靈活的標注任務的分發(fā)和工作流管理。因為業(yè)務數(shù)據(jù)都落地Pulsar里面，借助Pulsar的高吞吐量，可以多次重復高效得消費這些數(shù)據(jù)進行快速且松耦合得進行業(yè)務擴展，比如結(jié)合 Flink 做實時進度/工作量/質(zhì)量的報表計算用來做項目管理，也可以對標注員進行畫像，可以實時進行反欺詐監(jiān)測，另外也可以對在線標注數(shù)據(jù)實現(xiàn)邊標注邊訓練，同時反過頭來輔助標注等。

澳鵬在全球市場已經(jīng)累積了25+年的行業(yè)經(jīng)驗，進入中國市場后，澳鵬借鑒了海外的平臺實踐，在中國獨立自主打造了適合國內(nèi)行業(yè)特點的高精度AI數(shù)據(jù)服務平臺。那么，中國區(qū)的技術和產(chǎn)品方面如何與其他地區(qū)并進？迭代過程又是怎樣的？

蔣孟杰認為，產(chǎn)品迭代一定要跟隨業(yè)務發(fā)展一起錨定的。在平臺設計和技術架構(gòu)搭建初期，事先做好技術的總體架構(gòu)設計，在此基礎上做未來的發(fā)展規(guī)劃。同時，要確保團隊成員的目標一致，再定期討論調(diào)整優(yōu)先級。在剛起步的時候，每個迭代只能完成MVP，非核心的功能會提供功能上的兼容支持，在真正的使用過程中，這些未被產(chǎn)品化的功能使用起來相當痛苦，比如招人的時候，最開始的版本中先專注在標注業(yè)務本身，如果要添加，標注員就上傳一個Excel文件, 而沒有一個完整人員招募和審核流程。

令記者感到意外的是，澳鵬的技術團隊并沒有閉門造車，關起門來自己解決問題。他們還擁有一支項目支持工程師團隊，所有當下平臺滿足不了的功能，該團隊就會準備一次性的腳本和工具進行處理。隨后，平臺一步步根據(jù)優(yōu)先級把手工處理的任務產(chǎn)品化，平臺發(fā)布一個版本后及時拿到反饋，然后在下一個版本中進一步提升。所以，在與產(chǎn)品研發(fā)團隊、項目管理團隊、業(yè)務團隊的緊密合作下，技術/產(chǎn)品迭代速度是相當快的。

#04 人工智能數(shù)據(jù)與質(zhì)量決定上層建筑

如果說優(yōu)秀技術架構(gòu)與高效迭代是決定一家人工智能數(shù)據(jù)服務商是否站得穩(wěn)的關鍵，那么真正決定它是否走得更遠的，就在于產(chǎn)品本身解決問題的能力到底有多強。

在這個問題上，蔣孟杰提出了一個關鍵點：“AI項目部署生命周期”。

一般 AI 項目部署的生命周期會包含：數(shù)據(jù)采集、數(shù)據(jù)標注、數(shù)據(jù)探索、模型開發(fā)、模型發(fā)布、定期監(jiān)控。

那么，數(shù)據(jù)在這個生命周期里扮演著怎樣的角色？澳鵬又解決了哪些問題？蔣孟杰描述數(shù)據(jù)的重要性時引用了Andrew Ng（吳恩達，人工智能和機器學習領域國際最權(quán)威學者之一）的話：成功的 AI 部署, 80%是數(shù)據(jù)準備(包括數(shù)據(jù)清洗/數(shù)據(jù)標注等)， 20%是花在模型開發(fā)上。而澳鵬在整個生命周期中幫助客戶解決數(shù)據(jù)采集，數(shù)據(jù)標注， 模型發(fā)布后期監(jiān)控。

除此之外，數(shù)據(jù)的可用性質(zhì)量也是澳鵬服務的核心。蔣孟杰打了個比喻：“AI模型就像小孩子，你教給他什么，他便學會什么。如果數(shù)據(jù)質(zhì)量很糟糕，那么AI模型學會的也是這些錯誤?！彼栽诎涅i有一整套方案保障數(shù)據(jù)的質(zhì)量:

1. 多人標注同一條數(shù)據(jù)進行投票打分
2. 數(shù)據(jù)埋雷
3. 機器學習輔助質(zhì)檢
4. 多輪人工質(zhì)檢

蔣孟杰認為，項目管理是一門藝術，尤其是人工參與的場景，可能會在整個流程中任意環(huán)節(jié)出現(xiàn)變化。澳鵬的優(yōu)勢在于其針對各個企業(yè)的業(yè)務進行深度的打磨，融入了自己的高效的項目管理方式以及標注細節(jié)優(yōu)化。

1. 讓整個項目管理流程更容易定制和適應變化，澳鵬有模板引擎可以定制特有的標注需求，有多輪質(zhì)檢并且可配置質(zhì)檢拒絕后的行為，澳鵬有根據(jù)標注員的質(zhì)量調(diào)整質(zhì)檢抽檢率的控制機制
2. 標注工具的精心打磨，澳鵬會衡量常見標注任務的時間以及鼠標點擊次數(shù)，目標是人機協(xié)作，以 AI 的方式服務 AI。一方面澳鵬會在人機交互方面進行提升，也有專門的HCI工程師，另一方面，會用 AI 模型進行輔助，實現(xiàn)人走一步，機器幫忙前進幾步的效率提升。人和機器各自做自己擅長的事情。

#05 撥開迷霧

CSDN：聽說澳鵬正在密切關注自動駕駛領域，那么在自動駕駛領域的數(shù)據(jù)方面，目前存在哪些挑戰(zhàn)？澳鵬又做了哪些解決方案？

蔣孟杰：這個問題可以分為5個部分。

1. 需要同時使用多個感知傳感器互補，比如攝像頭，激光雷達同時使用。多用一個傳感器，就多一次標注，如何連接多個傳感器的標注是個很大的問題。澳鵬提供多傳感器融合標注方式，在提供標注能力的同時，極大節(jié)約標注成本。比如在3D的激光點云上面標了一個3D框以后，我們可以自動換算投影一個2D 框到圖片上，同時保證同一個物體在不同傳感器的數(shù)據(jù)上擁有相同的 ID 和物體屬性。該工具也被設計成可適配不同傳感器類型和數(shù)量。
2. 感知有各種細分的場景，比如目標識別、車道線識別、可行駛區(qū)域識別、路牌識別等。澳鵬提供全套標注工具，并且可根據(jù)場景靈活配置調(diào)整標注方式。
3. 需要海量的標注數(shù)據(jù) -- 成本高。我們會利用預標注模型進行高效的輔助標注，比如一鍵3D拉框，3D 車道線精調(diào)，自動連幀標注等。
4. 需要海量的標注數(shù)據(jù) -- 難以管理。當數(shù)據(jù)量小的時候，很多公司甚至一個Excel就能管理，但是數(shù)據(jù)量大了以后，數(shù)據(jù)的流轉(zhuǎn)就會成為問題。我們提供數(shù)據(jù)全流程生命周期的管理，并且可以自由定義數(shù)據(jù)生產(chǎn)流程。
5. 2D/3D數(shù)據(jù)難以分析/查看。無論在客戶驗收還是開發(fā)算法過程中，2D/3D 的標注數(shù)據(jù)都不像文本標注或者語音標注結(jié)果這么直觀，2D/3D 的結(jié)果都是一些坐標信息，客戶拿到標注結(jié)果需要一些開發(fā)工作、來看標注結(jié)果。澳鵬提供可視化驗收工具，并帶有標注結(jié)果統(tǒng)計，比如標注數(shù)據(jù)里面包含多少車，多少人?？偣捕嗌賯€點等等。

CSDN：每個企業(yè)的技術架構(gòu)與實力不同，對于初創(chuàng)、中型、大型的企業(yè)來說，如何選擇合適的數(shù)據(jù)標注平臺/相關服務商？其中有哪些不同嗎？

蔣孟杰：初創(chuàng)業(yè)務場景變化非常快，一般標注需求量不會很大。而且公司沒有精力或者資源開發(fā)或維護數(shù)據(jù)標注平臺。我們會推薦純SaaS模式，可以讓初創(chuàng)企業(yè)快速開啟標注，快速試錯調(diào)整方向。

中型企業(yè)已經(jīng)有較為成熟的業(yè)務模式和自有系統(tǒng)，另外也有資源去開發(fā)或者運維數(shù)據(jù)標注平臺，會比較關心是否有開放 API 進行系統(tǒng)集成和二次開發(fā)，是否有全面的功能。這類企業(yè)，我們會推薦混合云部署模式或者私有化部署模式，并且結(jié)合我們 Managed Service 進行數(shù)據(jù)標注。

而一般大型的互聯(lián)網(wǎng)企業(yè)比較早地使用AI 技術，已經(jīng)自己開發(fā)了一些標注平臺。在選服務商的時候會特別看重服務商“是否有能力快速得招到大量高質(zhì)量的標注員、是否標注工具層面會比自己公司的效率更高、數(shù)據(jù)安全是否有保障”等。這類企業(yè)我們也會推薦混合云部署模式或者私有化部署模式，并且結(jié)合我們Managed Service 進行數(shù)據(jù)標注。

CSDN：您認為未來人工智能數(shù)據(jù)標注領域或該領域的服務商，會有哪些發(fā)展趨勢？

蔣孟杰：現(xiàn)階段標注領域魚龍混雜，價格競爭激烈，其中不乏大量傳統(tǒng)人力服務商進入這個領域。隨著行業(yè)的洗牌，有快速招人能力、擁有大量項目管理經(jīng)驗、有自有平臺研發(fā)能力的供應商會逐漸脫穎而出。

標注平臺會沿著采集和標注一體化方向發(fā)展。對很多AI 企業(yè)來說，往往同時需要數(shù)據(jù)采集和標注。比如剛才的例子，采集日常交流語音，采集完以后需要對語音進行文字轉(zhuǎn)寫。如果把采集和標注分成兩個獨立階段，時間交付周期很長，另外如果標注覺得采集的語音里面完全沒法聽清，很難及時打回給采集人員重新錄制。

另一方面，未來可能會向AI數(shù)據(jù)中臺發(fā)展。不僅管理非結(jié)構(gòu)化數(shù)據(jù)的，也會慢慢延伸到結(jié)構(gòu)化數(shù)據(jù)的管理。數(shù)據(jù)標注在整個生命周期中不會是一個獨立的存在。如果分裂的多個系統(tǒng)，數(shù)據(jù)科學家會浪費大量時間在搬運數(shù)據(jù)上，效率不高，另外也影響創(chuàng)新。如果以集成式的AI數(shù)據(jù)中臺為基礎，數(shù)據(jù)科學家可以開發(fā)算法和數(shù)據(jù)標注互相迭代提升。比如邊標注邊實時訓練模型，效果沒法再次提升的時候就停止標注，這個在業(yè)界叫主動學習。

原文鏈接：https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/117256727