创新工厂李开复:AI+”有四个阶段

编者按:这是创新工场董事长李开复在2019上海世界人工智能大会上的主论坛演讲。   此前对于AI开启的行业赋能,已经被很多次阐释、验证并不断产出成果。   但对于“AI+”的发展路径、逻辑和未来,在李开复之前还没有人有过如此大道至简式的分析。   或许跟李开复的履历和现在密不可分。他是80年代的计算机博士,论文成果就是AI领域的研究,是懂AI的科学家。   

介绍下数据标注平台的运营模式

    目前AI行业发展火热各大巨头都投入巨资在此领域布局,智能驾驶、人脸识别以及近段时间正火的AI养猪都是AI技术应用在实际生活上的体现,毫不夸张的说AI技术正在逐渐改变我们的生活而我们的生活也将因此变得更美好。     AI的发展离不开数据标注的支持,而目前AI行业庞大的数据标注工作都 是通过 哪种模式完成的呢?&

数据清洗在人工智能基础数据方面的重要性。

数据清洗、数据采集、数据标注——人工智能时代不可或缺的产物随着信息处理技术的不断发展,各行各业已建立了很多计算机信息系统,累积了大量的数据。为了使数据能够有效地支持组织的日常运作和决策,这就要求数据可靠无误,能够准确地反映现实世界的状况。数据是构成信息的前提和基础,好的数据质量是各种数据分析如OLAP、数据挖掘等有效应用的基本条件。人们常常抱怨“数据丰富,信息贫乏”,究其原因,一是缺乏有效的数据分

何为数据标注数据清洗?

        数据清洗(Data cleaning)– 对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。        数据清洗的主要包括:纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压

揭秘AI训练内幕:帮助AI进化的除了专家,还有全球无数上班族

注:原文来自“腾讯科技”,本文转载来自36氪。    大型科技公司对注释数据的工作往往保持沉默,因为他们面临着隐私维权人士对他们存储并与外部企业共享大量个人数据的担忧加剧划重点在AI系统能够学习之前,必须有人标记提供给它的数据,这项工作对自动驾驶汽车、监控系统和自动化医疗等AI的创造至关重要。大型科技公司对注释数据的工作往往保持沉默,因为他们面临着隐私维权人

AI 如何从令人失望到大行其道?

人工智能(AI)问世之初曾经狂妄自大、令人失望,它如何突然变成当今最热门的技术领域?人工智能(AI)问世之初曾经狂妄自大、令人失望,它如何突然变成当今最热门的技术领域?这个词语首次出现在1956年的一份研究计划书中。该计划书写道:“只要精心挑选一群科学家,让他们一起研究一个夏天,就可以取得重大进展,使机器能够解决目前只有人类才能解决的那些问题。”至少可以说,这种看法过于乐观。尽管偶有进步,但AI在

工作带娃两不误 阿里“AI豆计划”正利用人工智能为贫困女性创造大量在家乡就业的机会

个多月前,21岁的贵州女孩小吴完全没有想到,自己能够在家门口找到一份心仪的且听上去有点儿“高大上”的工作。7月18日,由支付宝公益基金会、阿里巴巴人工智能实验室、中国妇女发展基金会联合发起的“AI豆(谐音‘爱豆’)计划”在贵州铜仁启动试点:通过人工智能产业释放出大量就业机会,探索“AI扶贫”新模式,让贫困群众尤其是困境女性成为“人工智能培育师”,在家门口实现就业、脱贫。经过半个多月的教学和练习,小

麻省理工的 AI 新研究:AI可以织毛衣了!

说到人工智能,除了某些很酷的前沿应用外,其实对于这个话题我们经常会想到「假」这件事,用人工智能完成的造假除了一些灰产之外,更成为了一种娱乐方式,其中最有名的可能就是 AI 换脸的了,这种换头术至今还在 B 站大肆流行着。相反的,AI 应用在现实中带来的「真」变化可谓少之又少。不过最近美国麻省理工学院的研究人员发现了一种与「造假」相反的 AI 研究,这种研究反而需要 AI 来点「真」的东西,准确的说

AI换脸竟能做天天衣无缝,黑科技太可怕了!

说起“改头换面”,恐怕大家都觉得这不是一朝一夕的事儿。然而就在最近,网友们惊讶的发现,这件事竟能眨眼间搞定了!94版《射雕》里黄蓉的扮演者突然从朱茵变成了杨幂,服化道画风丝毫都没有变化……就连表情神态也惟妙惟肖,毫无违和感。拔群的效果果然引来一众吃瓜群众围观,热搜话题阅读量超过了1.3亿。这种被称作黑科技的AI换脸,国内也有不少仿效者,比如有网友把女主播的脸换成唐嫣、杨幂、刘亦菲等明星,真是吓傻了

企业数据治理的成功要素之一:数据战略管理

前言:作为一名数据服务工作者---资深“乙方”,见过、听过或亲身经历过很多的数据治理相关的项目,如:数据交换共享项目、数据治理项目、主数据项目、元数据项目……,这些项目中,有非常成功的——用的很好,也有差强人意的——勉强在用,还有没上线就下线的——基本没有使用。如果我们Review下这些项目,也许我们不难发现影响数据治理项目成功或失败的因素有很多,这些因素有管理方面的、业务方面的、技术方面的、企业

注册找标注网送爱奇艺会员

                免费注册找标注网送爱奇艺会员感谢大家一年以来的支持与关注,免费注册找标注网送爱奇艺会员活动开始了,小伙伴们想要的看下规则!规则如下:新老用户都可,需要已实名用户并绑定有效手机号,手机号与支付宝手机号一致;邀请6人成功注册,其中3人实名成功;只限爱奇艺新用户;爱奇艺注册手机号与找标注网注册

数据标注----人工智能行业的基石

“ 随着一系列技术上的突破,人工智能在世界科技领域已经渐渐的驶进了高速车道。中国老子有一句名言是:“九层之台,起于累土”。意思就是再高的楼台都是由一筐一筐土堆积而成的,这就特别的强调了基础的重要性.....”目前越来越多的人都有一个共识那就是:互联网与人工智能在当今世界科技格局中,中国和美国是两国独大。同时,这两个领域又是未来领域。为什么说是未来领域,互联网的未来趋势已经被时间很好的证明

未来计算机视觉技术发展的趋势

“随着自动驾驶汽车,机器人,无人机,人脸语音视频识别,智慧物流,新零售应用等方面取得了令人瞩目的进步,计算机视觉(CV)成为主流词。对于已经在该领域有一定了解的人来说,发现越来越多的人注意到这个正在改变一切的技术......”未来几年CV将会在以下九个方面占主导地位。CV应用程序越来越广泛。未来几年CV程序将普遍应用于手机,安全摄像头,虚拟镜等设备上,这对于数据隐私(消费者越来越敏感的一个问题)来

数据标注到底是一个什么样的行业

        任何一家为人工智能企业提供数据标注服务的公司都离不开“数据标注员”这样的角色。毕竟人类的认知一直领先于机器智慧一段距离,目前的AI还无法胜任数据标注员的工作,机器学习依赖人类“喂食”,而填饱机器的“美味佳肴”则需要标注员们对数据的加工....     &

数据标注公司如何在人工智能大发展浪潮中迎来大发展

“从深度学习到AI产品的广泛应用,我们正在走入新一轮的效率革命。那么问题来了,我们应该如何在波涛汹涌的AI浪潮中站在数据标注行业的前沿,而不是被大浪所吞噬而衰退呢?” 我们就具体如何做进行几点浅谈。准确判断数据标注需求公司的的需求方向市场需求在现实中是瞬息万变的,有在研发层面需要快速进行产品迭代的AI公司;有在应用层面需要大批量数据进行机器学习的AI公司。我们能够准确的把握此类公司的需求

开源OCR文字识别软件Calamari

Calamari是一种新的开源OCR识别软件,它使用了最先进的Tensorflow实现的深度神经网络(DNN)。 提供了预训练模型和多模型投票技术。由卷积神经网络(CNNS)和长短时记忆(LSTM)层构成的可定制网络架构通过Graves等人的连接时间分类(CTC)算法进行训练。而GPU的使用大大减少了训练和预测的计算时间。我们使用两个不同的数据集来比较Calamari与OCRopy,OCRopus

开源的车牌识别系统打败了目前最先进的商业软件

        来自巴西阿雷格里港大学的学者发表于ECCV2018的论文《License Plate Detection and Recognition in Unconstrained Scenarios》,给出了一整套完整的车牌识别系统设计,着眼于解决在非限定场景有挑战的车牌识别应用,其性能优于目前主流的商业系统,

Intel论文揭示自家车牌识别算法:LPRNet

来自工业界的最佳实践。车牌识别是一个老生常谈的话题,在工业界已经得到广泛应用。当深度学习在各种视觉识别任务上刷新更高精度的时候,却常常被认为计算量远大于传统方法。Intel公司俄罗斯IOTG计算机视觉组的工程师最近发布了一篇论文,揭示了自家已经商用的车牌识别算法,使用轻量级深度神经网络进行车牌识别,达到快准狠的新高度,即速度超快、精度超准、硬件利用率超狠。本文来自于论文《LPRNet: Licen

轻量级深度神经网络车牌识别,识别车牌只需要1.3毫秒,无需分割

本文提出了LPRNet – 自动车牌识别的端到端学习方法,没有预处理步骤的字符分割。我们的方法受深度神经网络最新突破的启发,并且可以实时工作,中文牌照识别精度高达95%:在硬件配置nVIDIA GeForce GTX 1080、英特尔酷睿i7-6700K情况下可以实现每1.3毫秒识别一个车牌。LPRNet由轻量级的卷积神经网络组成,因此可以以端到端的方式进行训练。据我们所知,LPRNet

快速精准的人头检测,代码已开源

    自江森自控(Johnson Controls Inc.)的软件工程师Aditya Vora分享了一种快速精准的人头检测(head detector)算法并开源了代码。    看起来还是不错的!人头检测在视频监控中非常重要,而公交车、商场或者大型场馆的拥挤人群计数则是其重要应用场景。 算法思想作者称拥挤

推荐文章

最近有很多研究提到,人工智能和自动化为主的技术进步,可能让女性就业受到比男性更大的冲击。不过更进一步查看的话,所有这些文章会将深层原因归结于,女性更少的从事科学、技术、工程和数学 (STEM) 方向的学习;说大白话,就是女性没有学会编程,不懂电脑技术。根据伦敦智库 IPPR 的研究,在自动化风险较高的行业中,近三分之二(64%)的英国工人是女性。这是因为众多女性从事的都是零售和行政工作,而这可以通过机器来完成。IPPR 说:“总的来说,1/10 的女工面临着被机器人替代的高风险。相比之下,只有 4% 的男性工人有同类风险。” [1]《金融时报》的文章指出,问题出在人们年轻的时候。高校 STEM 专业的学生约 65% 是男性。如果女性年轻时没有机会获得 STEM 相关学位,也就困于家务劳动和带孩子,而没有时间接受再培训。文章说,新兴经济体许多女性面临更大的困难,因为她们当中有很多人从事仅能维持生计的农业,几乎没有受过教育,也没有什么可转移的技能。[2]那么,为什么不直接说不会编程技能,或缺少编程思维的人更难找到工作呢?男人就没有这样对程序或基础科学一窍不通的吗?我对这个问题如此敏感,一个原因是我本人(男)就是与 STEM 无缘的典型案例。从小就喜欢计算机,却终究没学会编程在我上高中之初,有一次机会选择文理科分班,这也是中国特色的教育方法。因为我在的高中比较强的是理科,我就选了理科,可是两学期下来,数学只能考 30 多分,物理、化学、生物全面亮红灯。我对理科知识的唯一回忆,可能是刚上化学课的时候,问老师“石蕊(试纸)的化学式是什么”。没有答案,我只记住自己问了这个问题。所以,我不得不由高一时的理科班转到文科班,不然的话根本没办法正常的考试。在文科班,我高考的分数也相对好一点,只是因为更多死记硬背的部分,更适合那个时候的我。我深知考核标准的不同,会导致学生高考分数和社会评价的巨大差异。有人说,农村孩子吃亏就在于高考不考种地、爬树、捉蟋蟀。都不用这么麻烦,其实文理分班已经能区分很大一部分同学的未来路径——但对某方向本来就很感兴趣,自己知道想要什么的同学除外。我也知道自己有理科,也就是 STEM 学科方面的弱点。所以,即使我还没上学就用上了电脑,也把未来理想跟计算机捆绑在一起,却不能如愿以偿的从事程序员的工作;最后长大了,也不能由此转岗去做薪水更高,更稳定,前景也更好的编程行业,只能徘徊在电脑行业的边缘。这一直是我心中的一个结。工作这么多年,我一直想要有机会去尝试从零开始自学编程,甚至给小朋友做启蒙的那些书我也看过,看完都一头雾水。现在在三四线小城市,也经常出现人工智能和编程培训班的门脸,看了之后,除了更引起我被时代抛弃的焦虑之外,没有其他作用。我作为科技记者和撰稿人,在掌握新科技趋势方面,属于起了大早,赶了晚集。我们这些人应该处于整个科技食物链的比较靠下游的位置,最早知道了这些新闻和趋势,但除了写些文章或采访之外,几乎没有其他的方式可以妥善利用。结果,到了自己的工作受威胁的时候,宁可去卖保险。这更多的是属于个人能力、兴趣偏好的问题,这根本就不是男女差异。社会上没有一人一朵的“小红花”我知道,如果我不能及时转到文科班的话,如果全校所有的同学都在理科班,甚至根本就没有文科,没有非 STEM 学科,那么我可能只是一个天资更加平庸的,成绩更差的理科生。在单一维度的评价体系里,我会比现在惨的多。所以我说不上由理转文这件事,对我的人生是好是坏。从结果上看,我生存在社会尚且可以公平对待 STEM 和非 STEM 学科的时代,还是一件好事。但是这其实更让我深刻领会到,未来继续保持这种评价体系和工作类型的多样化,对于我们这个社会的意义。社会全面偏向 STEM 意味着我们的教育方针要做 180 度的大转弯,也不会存在什么“因材施教”的空间,这个问题是如此的严重,现在业界可能还没有充分的意识到问题的严重性。分析人士只是笼统的说,人工智能虽然取消了很多岗位,但还可以创造更多岗位。想想工业革命!那些手工业者一开始破坏机器,搞卢德运动,但最后工人阶级还是站起来了。不妨想想幼儿园和小学课堂里的“小红花”。用宽松的,素质教育的方法,老师就会说,班上每一个孩子都有闪光点,即使学习成绩不好,也有其他的评判标准。如果出于孩子心理健康的考虑,给每个孩子单独设立一个评价体系的话,那么所有人都有小红花,最笨最没人缘的孩子也可以是“系鞋带最整齐的孩子”这样。这在学校里当然是成立的,走入现实可就不适用了。本来,文史类学科和相关工作,以及程序化,缺乏创造力的工作,意味着“系鞋带最整齐的孩子”也有社会上对应的位置。但如果说 AI 和自动化将替代的岗位是差不多全部非 STEM 行业,那就意味着全社会至少有一半曾经能够稳定就业的人,一瞬间不再适合在地球上生存。原来能够给他们稳定收入和正面评价的行业,现在却露出冰冷的面孔。他们原来曾经学会的那些适应社会的习惯和能力,将会不再被人提起,连被评为非物质文化遗产的机会都没有。培训和救济,似乎都很困难前述智库给出的意见一般都是与福利、补贴和再教育相关。比如,IPPR 报告作者建议政府引入新的法律,给女性分配工作,开展高技能工作培训,提高最低工资标准等。FT 的文章同样建议企业和社会推出举措,鼓励女孩学习 STEM 学科,发展编程技能。“不是每个人都需要成为一名程序员,但好的工作将越来越意味着与技术打交道。”然而,这些文章所指出的理想状态,假设了女性(或其它 STEM 门外汉)只要经过培训,就都能达到一定标准。而不论男女,总有缺乏这方面天赋的人存在——比如我自己。即使对他们进行失业的相关培训,也将会是困难重重的,因为如果他们真的掌握逻辑思维的能力,掌握学习数学的好方法,他们不是早就去做了吗?甚至他们连去参加培训的完整时间都不具备。有人说,重复劳动类的劳动力,如果不会 STEM,可以做数据标注工人嘛。但是这样的标注,也是建立在个人隐私以及数据集可以被随意使用的草莽年代,建立在所谓“用隐私换便利”的时候。受到社会制约的 AI 企业,将更倾向于用小的数据集,用压缩算法,最终达到能在用户个体的终端上,离线完成 AI 运算。当数据使用量减少的时候,数据标记工人只是会更快的迎来下一次失业。我们再说说救济。现在,国家规定对公司招募残疾人、特定少数民族、退伍军人等执行补贴,这是在直接聘用他们会削弱企业市场竞争力的前提下,采取的平衡手段。将来,这个巨大的救济包袱还会更重,因为以前能够自食其力的流水线组装工人、收银员、话务员等岗位都要归入救济队伍,他们本来应该是供养养老金的有生力量。福利的池水被加速抽干,每一个人分摊到的福利金额都会下降。社会在考虑自动化新技术与就业的连带关系的时候,不能偷懒的只算工作总量和总失业率,因为这不是冷冰冰的数字,而是一个个具体的人,以及他们背后的家庭。受影响的人当中,有多少人或者因为信息不对称,自己都没有察觉到,或者想到了,也因为没有天赋,没有兴趣或者没有财力精力,而只能默默的滑落下去。我理解,一些研究者先假设不会 STEM 的都是女性,毕竟“女生学文科的多”,然后再跟性别话题挂钩,来引起人们注意。这是一种非常讨巧的尝试,可以利用现在风头正劲的女权思潮,利用她们强大的舆论动员力,来实现对自动化社会议题的关注。但这实际上会模糊问题的焦点,并且使得跟他们所说的“女性”实质上具有同等问题的男人,更得不到关注,沦落为无人问津的“夹心层”。结论一个更自动化的社会,会显著的减少对一般人类劳动力的需求。在人类各种能力中,偏向创造力、想象力、沟通交流能力,以及控制机器的能力的一面会被更突出强调。可惜的是,人类固有的缺陷——也可能是优势——就是,创意方面最强大的能力,往往只集中于极少数天赋异禀的英才手中。相比之下,一旦某个机器学会一个能力,它的任意一个复制品,都会一瞬间具备同样的能力。也就是说,至少在教育方面,想要让人们往找到工作的方向走,依靠非标准化的非 STEM (“文科”)培训很难,而 STEM(“理科”)方向则较为容易。这将不可挽回地导向全社会只重视 STEM 的单一评价标准,更多人将被判为不合格,没有能力赚到维持生活的钱。要么继续思考怎么培训他们,要么就改变分配方式,比如给全民派钱什么的——这样的思考和讨论,已经到了非进行不可的时候。 

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。