人工智能大火，BasicFinder要做數(shù)據(jù)采集、加工的“送水人”
眼前的女員工，正把手寫體的古德文轉(zhuǎn)錄為印刷體字母，經(jīng)過(guò)培訓(xùn)，她已經(jīng)可以熟練操作，每秒鐘至少轉(zhuǎn)換1個(gè)字母，要知道，即便是在德國(guó)，完全認(rèn)識(shí)這種古老字體的人也寥寥無(wú)幾。之后，轉(zhuǎn)錄出的文字會(huì)發(fā)給OCR（OpticalCharacterRecognition，光學(xué)字符識(shí)別）公司，做為機(jī)器訓(xùn)練的數(shù)據(jù)材料。
另一邊，員工在標(biāo)記圖片中汽車的可行駛區(qū)域，之后會(huì)用于無(wú)人駕駛場(chǎng)景的訓(xùn)練。
就像傳統(tǒng)工廠一樣，數(shù)據(jù)正在流水線上處理，被分塊加工。這一切都源于人工智能行業(yè)的崛起。Tractica預(yù)測(cè)，2024年人工智能市場(chǎng)規(guī)模將增長(zhǎng)至111億美元。但AI要真正發(fā)揮作用，優(yōu)質(zhì)的數(shù)據(jù)必不可少，所以，前端的數(shù)據(jù)采集、加工環(huán)節(jié)單拎出來(lái)成為了新的機(jī)會(huì)點(diǎn)。
其實(shí)，數(shù)據(jù)標(biāo)注并不算一個(gè)完全新興的產(chǎn)業(yè)，成立于1998年的海天瑞聲已在語(yǔ)音領(lǐng)域耕耘近20年，因?yàn)槿斯ぶ悄芤辉~的提出，最早可以追溯到20世紀(jì)50年代，不過(guò)此前主流技術(shù)沒(méi)有到深度學(xué)習(xí)的階段，所以數(shù)據(jù)用的相對(duì)較少。目前這個(gè)賽道上，成立久的有數(shù)據(jù)堂，早期公司有獲得明勢(shì)資本Pre-A輪融資的愛(ài)數(shù)智慧，完成天使輪融資的泛涵科技，獲得合力投資數(shù)百萬(wàn)天使的丁火智能，今天要講的BasicFinder也是賽道上一員。
正如上面的場(chǎng)景，數(shù)據(jù)標(biāo)記是個(gè)重人力的勞動(dòng)密集型行業(yè)。這類公司的關(guān)鍵點(diǎn)就在于人員效率、交付質(zhì)量。
市面上很多公司都采用眾包模式，找人兼職做標(biāo)記，亞馬遜每天會(huì)發(fā)布任務(wù)給墨西哥以及印度兼職人員，但很多高精度工作是不適合眾包的。BasicFinder創(chuàng)始人杜霖告知，BasicFinder采用的是自營(yíng)模式，目前擁有12家下轄數(shù)據(jù)工廠及2000余名數(shù)據(jù)操作員，為了保證質(zhì)量，這些數(shù)據(jù)工廠有些是參與投資，有些是深度合作，操作員大多是經(jīng)過(guò)培訓(xùn)的打字員，她們技能相對(duì)匹配、標(biāo)記效率又高。杜霖補(bǔ)充，若是音頻數(shù)據(jù)，BasicFinder會(huì)挑選聽(tīng)力較好的技術(shù)員，篩選通過(guò)率僅在30%。
具體到標(biāo)記過(guò)程，BasicFinder都是流水線式的，從最前端的任務(wù)定義、采集數(shù)據(jù)，到中間的清洗、加工，以及后端的質(zhì)量檢測(cè)、訓(xùn)練迭代等全部環(huán)節(jié)分開(kāi)作業(yè)，并開(kāi)發(fā)了一套系統(tǒng)輔助人工提高效率。
舉幾個(gè)例子，拿視頻標(biāo)記骨骼來(lái)說(shuō)，系統(tǒng)首先將視頻的每幀切成畫面，然后把沒(méi)有人或者身體不全的畫面去掉，這就完成了清洗過(guò)程。接下來(lái)，工人打點(diǎn)標(biāo)記，若圖中人物較多，系統(tǒng)會(huì)分割后派給不同標(biāo)記員，以防單人作業(yè)眼花標(biāo)亂。再比如，無(wú)人便利店的項(xiàng)目要求是框出商品，BasicFinder系統(tǒng)會(huì)提供輔助線幫人工標(biāo)記，比無(wú)線情況下，至少提升1倍的效率。
加工完的數(shù)據(jù)，還面臨一道不可缺少的步驟就是校驗(yàn)。相對(duì)而言，這是不能標(biāo)準(zhǔn)化的事情，BasicFinder目前用人工復(fù)查，跟標(biāo)記的耗時(shí)相比，在1:11:3之間。
最后就是安全層面，杜霖告知，對(duì)于客戶提供的數(shù)據(jù)素材，BasicFinder實(shí)行交付即焚，保證數(shù)據(jù)不會(huì)復(fù)用。若企業(yè)有非常嚴(yán)格的需求，BasicFinder還提供隔離標(biāo)記房，數(shù)據(jù)不會(huì)經(jīng)過(guò)BasicFinder服務(wù)器，并且房?jī)?nèi)有監(jiān)控，客戶可隨時(shí)查看員工作業(yè)過(guò)程，以及每一臺(tái)設(shè)備的標(biāo)記情況。
不僅如此，在前端的采集，BasicFinder也不主張數(shù)據(jù)復(fù)用。在人臉識(shí)別場(chǎng)景中，批量購(gòu)買超市等攝像頭的數(shù)據(jù)成本很低，但有法律風(fēng)險(xiǎn)，工業(yè)機(jī)器人維修，其實(shí)侵犯了個(gè)人肖像權(quán)，BasicFinder的解決方案是，跟每一個(gè)員工或者被采集人簽訂授權(quán)協(xié)議，即便有公司提出同樣的需求，我們會(huì)用同樣的方法再采集一遍，也不會(huì)私下復(fù)用。杜霖強(qiáng)調(diào)，庫(kù)卡機(jī)器人驅(qū)動(dòng)器維修，BasicFinder的定位不是數(shù)據(jù)買賣公司，而是在加工的質(zhì)量上。
當(dāng)然，對(duì)于一些公開(kāi)的數(shù)據(jù)集，比如說(shuō)景物的識(shí)別，BasicFinder也會(huì)自建數(shù)據(jù)庫(kù)，供企業(yè)采購(gòu)。但實(shí)際在人工智能行業(yè)里，數(shù)據(jù)素材可復(fù)用的機(jī)率相對(duì)較低，杜霖補(bǔ)充，因?yàn)槊考夜镜囊蠖疾灰粯樱菢?biāo)記商品，有的公司會(huì)要求勾勒輪廓，有的會(huì)要求貼邊打框，有的精度在10%的誤差，有的在5%
值得一提的是，BasicFinder的工具平臺(tái)正在內(nèi)部試用中，并將于近期正式對(duì)外公布。客戶在平臺(tái)上直接簡(jiǎn)單組合，填寫相關(guān)參數(shù)，www.sonanjido.com，即可以相對(duì)精準(zhǔn)的定義任務(wù)。平臺(tái)接受到任務(wù)后，會(huì)按照要求把數(shù)據(jù)任務(wù)輕松分配到數(shù)據(jù)工廠甚至個(gè)人，數(shù)據(jù)工廠的工人在平臺(tái)上進(jìn)行操作，并借助相關(guān)的工具提升作業(yè)效率，客戶在后臺(tái)就能及時(shí)來(lái)監(jiān)控這些信息，不合格的數(shù)據(jù)也可以及時(shí)返工，最后保證會(huì)輸出質(zhì)量較高的數(shù)據(jù)。
系統(tǒng)之后會(huì)不斷迭代，無(wú)非就是提高效率，問(wèn)及是否會(huì)用機(jī)器替代人力進(jìn)行標(biāo)記，杜告表示不會(huì)，因?yàn)槿斯?biāo)記出得數(shù)據(jù)在誤差層面符合正態(tài)分布，而機(jī)器標(biāo)記的都是同一水平，用機(jī)器生產(chǎn)的數(shù)據(jù)再訓(xùn)練機(jī)器，并不利于AI最后的訓(xùn)練效果。
至于收費(fèi)模式，BasicFinder會(huì)根據(jù)樣本耗時(shí)估算一個(gè)人力成本，走項(xiàng)目制。
據(jù)悉，現(xiàn)階段，BasicFinder的訂單多為數(shù)據(jù)標(biāo)注，國(guó)內(nèi)外客戶占比接近1：1，包括中科院、搜狗、中國(guó)移動(dòng)、華為、創(chuàng)新工場(chǎng)、云知聲、國(guó)外知名科研院所等。這些客戶多在使用深度學(xué)習(xí)相關(guān)的框架進(jìn)行研發(fā)，因此對(duì)數(shù)據(jù)的需求量較大，客戶的算法相對(duì)比較成熟，因此任務(wù)往往為個(gè)性化任務(wù)。客戶中，最高訂單定價(jià)在百萬(wàn)元，不少用戶會(huì)多次下達(dá)不同的訂單。
其實(shí)對(duì)于這一波因?yàn)樯疃葘W(xué)習(xí)而興起的數(shù)據(jù)服務(wù)商來(lái)說(shuō)，最大的潛在威脅很可能并非來(lái)自競(jìng)品，而是來(lái)自于增強(qiáng)學(xué)習(xí)、遷移學(xué)習(xí)等算法，后者僅需要少量的數(shù)據(jù)即可以達(dá)到一定的效果。杜霖表示，這方面公司也在密切關(guān)注，一方面目前增強(qiáng)學(xué)習(xí)、遷移學(xué)習(xí)等算法還不成熟，很難大規(guī)模應(yīng)用；另一方面，這些算法也需要基礎(chǔ)的學(xué)習(xí)數(shù)據(jù)，同時(shí)公司也有可能提供包含人工操作的數(shù)據(jù)以提供給這些算法。
BasicFinder注冊(cè)成立于2015年，目前核心研發(fā)團(tuán)隊(duì)在20人左右。創(chuàng)始人杜霖是一個(gè)連續(xù)創(chuàng)業(yè)者，在上海交通大學(xué)計(jì)算機(jī)系讀大二的時(shí)候，就開(kāi)始了第一次創(chuàng)業(yè)經(jīng)歷，當(dāng)時(shí)開(kāi)發(fā)了一款SEM搜索引擎自動(dòng)化營(yíng)銷工具，后以300萬(wàn)美元的價(jià)格打包賣給了一家土耳其電子商務(wù)網(wǎng)站。2010年大學(xué)畢業(yè)后，杜霖從事了數(shù)年TMT創(chuàng)投工作。2015年預(yù)感到深度學(xué)習(xí)的潛力及對(duì)數(shù)據(jù)的需求，成立了BasicFinder。公司已經(jīng)獲得過(guò)兩輪融資，天使輪由個(gè)人投資數(shù)百萬(wàn)元，2017年3月份，完成了一千多萬(wàn)元pre-A輪融資，計(jì)劃今年底或明年初再進(jìn)行A輪融資。