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)過培訓(xùn)，她已經(jīng)可以熟練操作，每秒鐘至少轉(zhuǎn)換1個字母，要知道，即便是在德國，完全認(rèn)識這種古老字體的人也寥寥無幾。之后，轉(zhuǎn)錄出的文字會發(fā)給OCR（OpticalCharacterRecognition，光學(xué)字符識別）公司，做為機器訓(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，之后會用于無人駕駛場景的訓(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，2024年人工智能市場規(guī)模將增長至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)單拎出來成為了新的機會點。
其實，數(shù)據(jù)標(biāo)注并不算一個完全新興的產(chǎn)業(yè)，成立于1998年的海天瑞聲已在語音領(lǐng)域耕耘近20年，因為人工智能一詞的提出，最早可以追溯到20世紀(jì)50年代，不過此前主流技術(shù)沒有到深度學(xué)習(xí)的階段，所以數(shù)據(jù)用的相對較少。目前這個賽道上，成立久的有數(shù)據(jù)堂，早期公司有獲得明勢資本Pre-A輪融資的愛數(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。
正如上面的場景，數(shù)據(jù)標(biāo)記是個重人力的勞動密集型行業(yè)。這類公司的關(guān)鍵點就在于人員效率、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)過培訓(xùn)的打字員，她們技能相對匹配、標(biāo)記效率又高。杜霖補充，若是音頻數(shù)據(jù)，BasicFinder會挑選聽力較好的技術(shù)員，篩選通過率僅在30%。
具體到標(biāo)記過程，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、訓(xùn)練迭代等全部環(huán)節(jié)分開作業(yè)，并開發(fā)了一套系統(tǒng)輔助人工提高效率。
舉幾個例子，拿視頻標(biāo)記骨骼來說，系統(tǒng)首先將視頻的每幀切成畫面，然后把沒有人或者身體不全的畫面去掉，這就完成了清洗過程。接下來，工人打點標(biāo)記，若圖中人物較多，系統(tǒng)會分割后派給不同標(biāo)記員，以防單人作業(yè)眼花標(biāo)亂。再比如，無人便利店的項目要求是框出商品，BasicFinder系統(tǒng)會提供輔助線幫人工標(biāo)記，比無線情況下，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。相對而言，這是不能標(biāo)準(zhǔn)化的事情，BasicFinder目前用人工復(fù)查，跟標(biāo)記的耗時相比，在1:11:3之間。
最后就是安全層面，杜霖告知，對于客戶提供的數(shù)據(jù)素材，BasicFinder實行交付即焚，保證數(shù)據(jù)不會復(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)不會經(jīng)過BasicFinder服務(wù)器，并且房內(nèi)有監(jiān)控，客戶可隨時查看員工作業(yè)過程，以及每一臺設(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。在人臉識別場景中，批量購買超市等攝像頭的數(shù)據(jù)成本很低，但有法律風(fēng)險，工業(yè)機器人維修，其實侵犯了個人肖像權(quán)，BasicFinder的解決方案是，跟每一個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，我們會用同樣的方法再采集一遍，也不會私下復(fù)用。杜霖強調(diào)，庫卡機器人驅(qū)動器維修，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，對于一些公開的數(shù)據(jù)集，比如說景物的識別，BasicFinder也會自建數(shù)據(jù)庫，供企業(yè)采購。但實際在人工智能行業(yè)里，數(shù)據(jù)素材可復(fù)用的機率相對較低，杜霖補充，因為每家公司的要求都不一樣，同是標(biāo)記商品，有的公司會要求勾勒輪廓，有的會要求貼邊打框，有的精度在10%的誤差，有的在5%
值得一提的是，BasicFinder的工具平臺正在內(nèi)部試用中，并將于近期正式對外公布�？蛻粼谄脚_上直接簡單組合，填寫相關(guān)參數(shù)，www.whsntf.cn，即可以相對精準(zhǔn)的定義任務(wù)。平臺接受到任務(wù)后，會按照要求把數(shù)據(jù)任務(wù)輕松分配到數(shù)據(jù)工廠甚至個人，數(shù)據(jù)工廠的工人在平臺上進行操作，并借助相關(guān)的工具提升作業(yè)效率，客戶在后臺就能及時來監(jiān)控這些信息，不合格的數(shù)據(jù)也可以及時返工，最后保證會輸出質(zhì)量較高的數(shù)據(jù)。
系統(tǒng)之后會不斷迭代，無非就是提高效率，問及是否會用機器替代人力進行標(biāo)記，杜告表示不會，因為人工標(biāo)記出得數(shù)據(jù)在誤差層面符合正態(tài)分布，而機器標(biāo)記的都是同一水平，用機器生產(chǎn)的數(shù)據(jù)再訓(xùn)練機器，并不利于AI最后的訓(xùn)練效果。
至于收費模式，BasicFinder會根據(jù)樣本耗時估算一個人力成本，走項目制。
據(jù)悉，現(xiàn)階段，BasicFinder的訂單多為數(shù)據(jù)標(biāo)注，國內(nèi)外客戶占比接近1：1，包括中科院、搜狗、中國移動、華為、創(chuàng)新工場、云知聲、國外知名科研院所等。這些客戶多在使用深度學(xué)習(xí)相關(guān)的框架進行研發(fā)，因此對數(shù)據(jù)的需求量較大，客戶的算法相對比較成熟，因此任務(wù)往往為個性化任務(wù)�？蛻糁�，最高訂單定價在百萬元，不少用戶會多次下達不同的訂單。
其實對于這一波因為深度學(xué)習(xí)而興起的數(shù)據(jù)服務(wù)商來說，最大的潛在威脅很可能并非來自競品，而是來自于增強學(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注冊成立于2015年，目前核心研發(fā)團隊在20人左右。創(chuàng)始人杜霖是一個連續(xù)創(chuàng)業(yè)者，在上海交通大學(xué)計算機系讀大二的時候，就開始了第一次創(chuàng)業(yè)經(jīng)歷，當(dāng)時開發(fā)了一款SEM搜索引擎自動化營銷工具，后以300萬美元的價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)的潛力及對數(shù)據(jù)的需求，成立了BasicFinder。公司已經(jīng)獲得過兩輪融資，天使輪由個人投資數(shù)百萬元，2017年3月份，完成了一千多萬元pre-A輪融資，計劃今年底或明年初再進行A輪融資。