眾所周知，機器學習主要分為兩類：監(jiān)督學習（supervised learning）與無監(jiān)督學習（unsupervised learning）。而監(jiān)督學習離不開數(shù)據(jù)標注（data labeling），也就是依靠人工找到groundtruth。燒錢速度有多快？近年來，我們注意到，數(shù)據(jù)標注創(chuàng)業(yè)公司層出不窮。只要在圖片中標注一輛汽車，只需一秒鐘，就能輕輕松松一美元進賬。標注一段幾十秒視頻中的汽車，就能幾百美元進賬。數(shù)據(jù)標注的成本與需求都在節(jié)節(jié)攀升。據(jù)市場研究預測，到2023年，數(shù)據(jù)標注市場將達到10億美元的規(guī)模。這些數(shù)據(jù)標注公司一般會開發(fā)出基本的物體識別算法，然后在人工成本較低的地區(qū)招人，培訓他們，讓他們找到機器識別中的錯誤，改正之后提交。比如，一些總部在硅谷的公司會在比較偏遠的州建立分部，進行數(shù)據(jù)標注。也有很多公司將業(yè)務外包給數(shù)據(jù)標注公司，這些公司的員工一般在非洲國家、印度或者其他人工成本較低的國家。對數(shù)據(jù)需求量大的公司，每個月支付給外包公司上百萬美元，才能滿足開發(fā)需求。數(shù)據(jù)標注不僅消耗資金，也是訓練模型中最耗時的環(huán)節(jié)。從數(shù)據(jù)采集到最終標識，很可能要等待一個月的時間。嚴重影響了開發(fā)進度。因此，很多無人駕駛公司開始研究數(shù)據(jù)標識，希望不再依賴人力與第三方公司。

印度數(shù)據(jù)標注公司iMerit數(shù)據(jù)標注無處不在訓練無人駕駛的模型就需要理解各種障礙物的含義，就離不開數(shù)據(jù)標識。無人駕駛的數(shù)據(jù)標識主要可以用兩個維度來看。第一個維度是2D和3D的分別。2D一般指通過攝像頭捕捉到的數(shù)據(jù)，3D指激光雷達捕捉到的數(shù)據(jù)。第二個維度是語義分割（semantic segmentation）與畫框（bounding box）的分別。

3D語義分割的例子魚和熊掌不可兼得數(shù)據(jù)標注的難點主要來源于兩個方面：速度與質量。速度慢了就滿足不了模型訓練的需求，而太快就會影響質量，質量低了就會影響模型的準確性。在資源有限的情況下，速度與質量往往魚和熊掌不可兼得。我們可以通過兩種手段來解決這一矛盾：合理的流程和更自動化的機器學習技術。首先來看流程。數(shù)據(jù)標識速度慢，或是質量低，其實很多時候不是技術的問題，而是流程的問題。數(shù)據(jù)從采集到產(chǎn)出，首先要被“篩選”，分發(fā)到數(shù)據(jù)標識人員的手上，然后被標識，標識的結果再被傳回來，最后需要抽檢，保證質量。這些步驟中很多地方需要改進。比如，哪類數(shù)據(jù)應該被篩選？質量不合格的標識該怎么辦？是否要退回重做？重做又需要時間，不重做就意味著需要更多的數(shù)據(jù)。對于資金不夠充足的公司，改進流程往往是最合適的手段。從技術方面來看，近年來，AutoML（Automated Machine Learning）的概念越來越火，即端到端的全自動機器學習技術，可以自主調參，自主評估模型，從而縮短模型訓練的周期。但是，AutoML不是萬能的。至少在未來幾年里，我們都無法擺脫對人工數(shù)據(jù)標識的依賴。我們需要找到一種人機共生的方式，將人類對機器的幫助最大化。

歐洲數(shù)據(jù)標識市場中，人工標識的占比始終占大多數(shù)人機共生（Human-in-the-Loop）2020-2030這十年，將是人類探索與AI合作機會的十年。數(shù)據(jù)標注就是人類與AI合作最完美的途徑之一。利用機器學習技術進行視覺探測，雖然成本低、速度快，但是往往有一定的錯誤率。這時，就需要人類介入，告訴機器錯在了哪里。機器會記住這些人類提供的回饋信息，進一步訓練自己的模型，避免下次在類似場景中犯同樣的錯誤，從而形成了一個循環(huán)。比如，AI探測結果是，某個交通信號燈的顏色是紅色，而人類檢查后發(fā)現(xiàn)應該是綠色，就通過某個前端工具點擊“錯誤”。開發(fā)團隊要盡快找到模型最需要的反饋信息，為人類標注員提供一個工具，將人類的反饋快速分享給機器。
責任編輯:pj