“目前我國已有龐大的數據加工隊伍，僅北京就有一百多家專門從事數據標註的公司，全國從事這項工作的人大概超過千萬，很多頭部的互聯網技術企業都有自己的數據標註公司。”
目前人工智能落地場景不斷豐富，智能化應用正改變着我們的生活。而在AI產業高速發展的背後，數據標註師這個新職業的從業人數也正在壯大。數據標註行業流行着一句話，“有多少智能，就有多少人工”。目前AI算法能學習的數據，必須通過人力逐一標註，這些人力爲AI產業提供養料，構建了AI金字塔的基礎。
近日，支付寶公益基金會、阿里巴巴人工智能實驗室聯合中國婦女發展基金會在貴州銅仁萬山區啓動了“AI豆計劃”，這是該計劃在全國啓動的第一個試點地區。作爲一種 “AI+扶貧”的公益新模式，計劃旨在通過AI產業釋放出的大量就業機會，在貧困地區培訓相關職業人才、孵化社會企業，讓貧困羣衆實現在家門口就業脫貧。
這些從業者不需要背井離鄉，她們可以受訓上崗，爲AI機器學習進行數據的分類和標註工作，讓機器可以快速學習和認知文字、圖片、視頻等內容，成爲一名“AI培育師”。
機器學習必需數據標註
AI數據標註員被稱作“人工智能背後的人工”。“數據是人工智能的血液。當下是大數據基礎上的人工智能，是數據智能的深度學習時代，可以說誰掌握了數據，誰就有可能做好。”中科院自動化所研究員、視語科技創始人王金橋告訴科技日報記者。他解釋，當前的人工智能也被稱作數據智能，在這個發展階段，神經網絡的層數越多，神經網絡越深，需要用於訓練的數據量越大，“比如目前人臉識別做得好的是中青年人臉識別系統，因爲年輕人坐車住酒店，採集的數據量大，小孩和老年人數據相對較少。”
但同時，只有數據是沒用的。對於深度學習來講，數據只有加上標籤纔有意義，才能用於機器的學習和進化。“標註是一個必須的工作。”王金橋說。
王金橋介紹，從數據的收集、清洗、標註到校驗都離不開人工。數據標註最基本的就是畫框，比如檢測目標是車，標註員就需要把一張圖上的所有車都標出來，畫框要完全卡住車的外接矩形，框得不準確機器就可能“學壞”。再比如人的姿態識別，就包括18個關鍵點，經過訓練的標註員才能掌握這些關鍵點的標註，標註完成的數據也才能符合機器學習的標準。
不同的數據類型對標註員的要求也不一樣。除了一般較爲簡單、可以通過培訓掌握的標註，還有一些需要專業背景的標註，比如在醫療數據標註中，標註員需要做醫療圖像的分割，把腫瘤區域標出來，類似工作就需要看得懂片子的醫生完成。再比如地方方言或外國文字，需要的也是掌握那門語言的標註員。
人工標註幫助AI快速落地
隨着人工智能的發展，數據的訓練量非常大，數據標註公司應運而生，這些公司以網絡方式運作，一個平臺有產品經理和項目經理，接到一個任務就找人來做，大家通過網絡羣組報名後，由產品經理來培訓，之後各自領取自己的任務，登錄賬號進行標註，檢驗經理校驗合格後就付錢，不合格則需要重新修正。
“目前已經形成龐大的數據加工隊伍，僅北京就有一百多家專門從事數據標註的公司，全國從事這項工作的人大概超過千萬，很多頭部的互聯網技術企業都有自己的數據標註公司。”王金橋說，“這個階段數據對性能的貢獻是最大的，數據越多越豐富、代表性越強、模型效果越好，算法的健壯性和魯棒性就越強。目前情況是大部分AI公司都還沒有實現盈利，但標註公司除外。”
據王金橋介紹，國外也是一樣，無人零售、無人駕駛等都需要大量的人力，基於用工成本的問題，除了隱私數據之外，他們會把標註工作放在第三世界國家完成，馬來西亞、泰國、印度等國家都有數據標註分公司。
常見的報道中，數據標註總被描述爲“血汗工廠”，這項工作和從業者被描述得廉價低質，人被重複性機械式的勞動異化。在王金橋的解釋下，這一刻板印象也被逐漸打破。
他直言，目前這種大量的人工標註是有價值的，因爲理論上解決問題很難，但有了大量數據，設計深度學習網絡，可以在特定場景特定應用中用數據訓練神經網絡，從而在很多場景中可以讓AI快速落地佔領市場、驅動行業應用、促進行業升級和迭代。
“比如在手機玻璃缺陷、高鐵軌道的缺陷、電網高壓線絕緣子損壞等檢測工作中，無人機拍攝畫面後，由人來檢測，隨着數據量增加，機器得到的訓練越來越充分，機器慢慢可以自動檢測，類似工作可以很大程度上由機器代勞。”王金橋說，目前人工智能的智能性雖然比較弱，但在各行各業都會帶來改變，這是AI推動產業革命的機會。
數據標註需求持續增加
“現在科研界研究的都是無監督、小樣本的深度學習，通過三維合成數據，用虛實結合的數據生成方式來訓練機器，儘量減少數據的採集和標註，讓機器自主學習、自主進化。”王金橋說，但由於缺乏理論上的突破性技術，所以雖然技術增長速度很快，但整體水平還比較低，目前的深度學習還是依賴基於統計意義的大數據模型，這要求數據足夠多、足夠均衡、基本滿足真實世界的分佈。
因此，標註這項工作會一直存在。
但王金橋也表示，隨着無監督、小樣本深度學習的進步，重複性標註的工作量會越來越少。“機器的識別和人一樣，人經過幾千年的進化，用語言用文字記錄和存儲幾千年的文明，所以看到桌子就知道是桌子，看到靈芝知道是靈芝。機器也需要不斷理解更多的內容，有數據標籤，它才能學習，纔會有智能。數據的加工是一個長期存在的過程，由畫框到基礎詞彙，慢慢形成自己的知識圖譜，才能自我推理和思考。”
目前的數據標註公司基本採取“計件付費”的模式，標註員的待遇與任務量和難度直接相關，熟練工一天能標幾千張圖片，月收入最高過萬。這項工作也有一定專業性，受過培訓才知道怎麼標、標得清楚，人也要認真細心。“每天產生的數據量太大了，數據量持續增加，對標註的需求也持續增加。”王金橋說。
據阿里巴巴集團副總裁、阿里巴巴人工智能實驗室總經理陳麗娟介紹，貴州萬山僅僅是一個起點，未來項目的整體規劃將聚焦貧困地區，尋找更多更適合發展“AI標註”產業的地區來落地。同時，也希望更多的人工智能企業加入，把AI標註的訂單定向輸送給貧困地區，爲貧困羣衆提供更多就業機會。陳麗娟說。
延伸閱讀
AI數據服務發展新方向：細分化、多模態、專業化
數據表明，當前AI發展出現了細分化、多模態以及專業化三大特徵。相應的，新變化對於AI數據服務行業也形成了一定的影響與方向指引。
當前AI已經進入技術落地階段，應用場景涉及安防、金融、家居、交通等各大行業。而未來，在數據標註行業，從業者也將隨着AI行業而一同進入細分市場追逐階段。
同時多模態也成爲了AI技術發展的一個特徵。所謂多模態，即是對多維時間、空間、環境數據的感知與融合。如當前的自動駕駛需要雷達+攝像頭才能跑的更穩，安防行業需要攝像頭+雷達紅外RFID才能感知得更精準、更真實。而在數據服務產業，企業也需要適應AI技術發展的多模態特徵，掌握對多維傳感器融合的數據採集與標註。
此外，儘管當前AI技術已經進入落地階段，但是頭部AI企業的落地場景相較傳統行業的AI落地場景，在技術上會更有前沿性。而這些企業的一些先進技術研究也很有可能成爲未來數據服務行業的一大發展方向，所以數據服務企業也需要在這些前沿場景中不斷探索，才能在行業競爭中獲得長期發展。
關鍵詞 : 人工智能、深度學習、數據標註
