运用人工智能和大数据,探索城市高效管理

日前,李克强总理在上海考察时对运用人工智能和大数据改善政府服务提出了新要求。准确把握人工智能和大数据的新风口,需要进一步转变思路、创新模式、推动公众参与。

 

  防范出现“眉毛胡子一把抓”

 

  实践中,由于工作推进的思路与方法不清晰,不少智能化应用非但没有减少政府部门的工作量,反而给一些主管部门新增了负担。

 

  例如,在智慧交通项目推进中,技术公司在不懂政府管理关键节点情形下开发的智能化系统,倾向于将城市管“死”。这不仅增加了相关部门的工作负担,而且损害了行政韧性。

 

  同时,由于智能化管理系统的流程设置问题,当自上而下的压力型行政系统遇到程序化的智能化应用系统之后,原本应该走进社区、走向一线、走入群众的工作在“规范化管理、精准化服务、智能化发现”的程序设计思路中遭到弱化。结果是,政府投入增加了,基层工作人员更忙了,政府服务测评分数反而下降了。

 

  为此,有必要改善政府部门对人工智能和大数据应用的管理感受度,推动应用场景开发的供给侧改革。

 

  例如,为解决智慧交通管理有效关键信息抓取少、无用信息抓取多、系统使用效能感不强的问题,政府部门可探索政企合作的供给侧改革模式,将交通管理的关键信息和关键节点重点列出、重点研究、重点解决,以此防范出现“胡子眉毛一把抓”的问题。

 

  以问题为导向实现系统迭代

 

  现实中,由于分布式开发机制与自上而下条块体制结合度不够,企业参与城市智能化管理系统开发的获得感往往不足。同时,在条块体制下,下级政府部门的系统往往既要兼容上级条线管理部门,又要兼容本级政府部门,以实现政府系统的互联互通。在多重要求之下,“多方满意方案”的系统性能往往被打折扣。

 

  要提升企业参与人工智能和大数据应用开发的获得感,有必要创新开发模式,改变现有的整体外包式或分布式开发路径依赖。

 

  一方面,在城市智能化管理的应用程序开发过程中,应事先明确技术开发标准,定义好可兼容的信息存储格式和数据接口,避免产生不同条块部门反复重建系统的问题。

 

  另一方面,一级政府部门应以公司化的运作模式建立起自己的技术团队,在初期进行主系统程序招标的基础之上,将政府部门自身的技术团队不断融入主系统的开发和维护之中,从而实现城市智能化管理主系统的稳定与可持续。

 

  处理好安全、便民、隐私关系

 

  由于前期缺乏充分论证和公众参与,本应以“安全、便民、高效、公正”为导向的智能化系统,在实际应用中反而给公众带来了新的烦恼。

 

  要提升公众对于人工智能和大数据应用的感受度,需着力处理好两对关系:

 

  一是安全与便民的关系。

 

  城市公共安全固然重要,但智能化管理不能因安全问题而因噎废食,不能为了解决安全问题而将城市“管死”、将公众“圈住”、给居民“添堵”。这就要求在前期应用场景规划中,引入更多的公众参与,考虑到多样化的需求和场景,实现城市智能化管理安全与便民的平衡。

 

  二是安全与隐私的关系。

 

  随着社会的现代化,在主要以职业界定身份和社会关系网络的城市社会中,对多元价值的包容成为现代城市文明的主要标志。在不危害社会公共秩序、不影响其他人生活的前提下最大限度地实现自我选择和自我发展,就对个人隐私保护提出了更高要求。为此,城市智能化管理的系统开发应准确划分公共领域和私人领域的范围,做到安全保护与个人隐私、法治与人文关怀的兼顾。

 

  探索高效管理与透明管理

 

  总的来看,对焦新风口,推动人工智能和大数据的深度应用,是推动政府管理转型升级的重大机遇。

 

  首先,人工智能和大数据为高效的城市管理系统建设提供了可能。纵观人类百年城市史,行政系统低效、腐败、管理不善是除外敌入侵之外的最大威胁。智能化管理通过抓取有效信息,有望实现高效管理和透明管理。这是城市治理的一次重大突破。

 

  其次,在人工智能和大数据应用中,政府代表的公平价值与企业代表的效率价值可以尝试进行融合,进而达成社会治理创新的共识。

 

  再次,从更长的历史时段来看,治理体系和治理能力现代化最终要建立在命运共同体之上,而人工智能和大数据的应用通过多主体的互融互通,客观上有助于加速这一探索进程。

推荐文章

新兴的数据标注行业遍布全球,全世界人都在为人工智能打工!
AI的新员工:数据标注行业遍及全球 在印度和菲律宾等低收入国家工作的数十万人 数据注释公司iMerit在印度加尔各答的办公室员工。随着公司越来越接受人工智能,新兴行业正在兴起,在该行业中,员工被用来“训练”算法以识别各种类型的数据 ,马达胡米塔·穆尔吉亚(Madhumita Murgia) JULY 24 2019 打印此页 26 在印度城市加尔各答的边缘,在拥挤不堪的梅蒂亚布鲁兹(Metiabruz)居民区,有460名年轻妇女在人工智能的先锋队伍中工作。 这些女性,主要来自当地的穆斯林社区,正在帮助培训诸如亚马逊,微软,eBay和TripAdvisor之类的自动驾驶汽车和增强现实系统中使用的计算机视觉算法。  全女性中心是由印度和美国的数据标注公司iMerit运营的八个印度办事处之一,其2200名本地员工为制造业,医学成像,自动驾驶,零售等行业产生的数据海洋贴上标签,保险和农业。 该业务是不断发展的数据标签行业的一部分,该行业在肯尼亚,印度和菲律宾等低收入国家雇用数十万名工人。 如图8和Mighty AI之类的公司,以及埃森哲和Wipro等更传统的IT公司,正在组成所谓的“ AI供应链”,该供应链创建的算法能够解释包括驾驶镜头,搜索结果和照片在内的资料。美国和欧洲最大的跨国公司,包括Facebook,大众汽车和Google。 如今,公司正在拥抱人工智能,将其作为自动化决策和帮助创造新商机的一种方式。挑战在于,支撑该技术的算法像新生事物一样幼稚。他们需要喂给他们数百万个带有标签的示例,以教会他们“看”。  内罗毕的旧金山数据标签供应商Samasource的工人©Fredrik Lerneryd / FT 若要教授自动驾驶汽车算法的路标含义,或分辨孩子和狐狸之间的区别,则必须逐帧观看数小时的镜头并标记物体。一个小时的视频需要八个小时才能注释。事实上,麦肯锡(McKinsey)在2018年发布的一份报告中将数据标签列为工业界采用AI的最大障碍。 根据分析公司Cognilytica于2019年1月发布的报告,第三方数据标签解决方案的市场在2018年为1.5亿美元,到2023年将增长到超过10亿美元。“最大的技术公司不愿与培训数据,他们希望拥有客户关系[并且]明智地使用合作伙伴和采购,”位于旧金山的数据标签供应商Samasource的创始人兼首席执行官Leila Janah说道,该公司在肯尼亚,乌干达和美国设有办事处。 “但这就是为什么围绕道德的AI供应链进行对话如此重要的原因。在它开始走出他们的四面墙之前,我们必须确保我们设定了标准,而且这个市场不会阻碍服装工厂的发展。有巨大的机会来确保这个(标签)行业是一个积极的力量。”  新员工 当大型跨国公司开始为消费产品开发机器学习算法时,数据标签要么通过亚马逊的Mechanical Turk之类的众包平台提供给零工,要么由低薪经济体的工人团队内部进行。萨拉·罗伯茨(Sarah T Roberts)等研究人员对像美国这样的国家的数十名科技工作者进行了采访,他们认为,与同公司的其他员工相比,这些承包商的工资通常被严重低估,而他们的工作却被视为卑鄙的。菲律宾的“屏幕背后”一书。 Samasource的创始人兼首席执行官Leila Janah©Fredrik Lerneryd / FT 随着需要贴标签的数据量呈指数级增长,大公司越来越多地转向第三方,这些第三方能够为专门提供特定类型数据(例如驾驶或医疗信息)的工人提供服务,并且他们也以道德的方式得到报酬和待遇。 Samasource的员工为沃尔玛,谷歌,微软,Glassdoor,大陆和通用汽车等公司提供数据标签,其总部位于内罗毕,拥有2800多名员工。“我们有一种劳动模式,雇用人们作为全职工人,并以生活工资支付福利。  平均而言,(当我们雇用他们时)我们的工人收入几乎翻了两番。”贾纳女士说。“我们与通常来自非正式定居点,乡村的人口一起工作,因此有机会获得一份高薪的工作,并为您提供计算机技能并使您接触AI,这意味着人们对此非常重视。” iMerit在加尔各答附近的全女性培训机构已成为计算机视觉标签的专业中心,该公司总体上雇用了50%的女性劳动力,其中大部分来自印度的低收入家庭。“这是一个不允许妇女出差去其他地方工作的社区。因此,我们开始为他们带来项目。” iMerit首席执行官Radha Basu说。 人为因素 人工智能供应链公司坚持认为,他们的工作不再涉及对猫,狗和房屋等基本物体的盲目,死记硬背的标签,而是已经演变成更加专业化的任务集。 例如,iMerit员工可能会分析驾驶员的车载录像,包括面部表情和眨眼,以确定驾驶员的疲劳程度;巴苏女士说,他们已经为亚马逊的Echo扬声器培训了语音剪辑,以理解语言并分析了单个建筑物和建筑工地的卫星图像,从而为保险公司培训了风险评估算法。 iMerit在加尔各答的工人 Samasource在Bayer的一个项目上工作,该项目要求注释植物的血管横截面以检测病害细胞以保护作物,并训练空中图像算法。Janah女士解释说:“我们希望专注于机器无法轻易掌握的复杂边缘情况,在这些情况下您需要人工来提供细微差别和判断力。那就是我们增加价值的地方。” 随着AI培训市场开始爆炸式增长,使用AI的西方团体正在寻求与具有社会影响力模型的更多道德外包公司合作。“人们第一次质疑那些不为AI供应链中的工人提供生活工资的[标签]公司。作为一家公司,如果您要让这些劳动者对您的数据进行培训,则应归功于他们对这些劳动者的公平对待,”贾纳女士说。 巴苏女士说:“从长远来看,这些年轻的农村部落工人将真正改变其社区的经济能力。西方来自谷歌

热门文章

简单讲:互联网数据标注员是借助电脑或者移动设备对一些原始的数据进行处理,生产出满足AI公司机器学习需要数据的一群人。按照数据处理对象的不同,工作内容也会有差别,标注员的工作内容可以分为:分类;框选;注释;标记。按照所处公司的不同,标注员的工作方式也会有差别:有的人工智能公司处于对数据安全性考虑会自建标注团队,在这些公司工作的标注员可以保证自己工作内容不会出现太大变动;但一些服务于人工智能公司非专业外包公司标注员的工作则是项目制的,一个项目忙完紧接着做另一个项目,这样工作内容连续性较差,对一种类型的项目经验也不会积累的太多。就目前来说,人工智能还处于人工增长阶段,机器依然需要大量的数据进行训练,测试。标注员在当下也会一直存在,而且从业群体会越来越多,所以暂时不用担心这份职业会不会短期消失。就标注员从业来说,建议选择人工智能公司和专业的数据公司,这样可以保证自己在一个方向上了解的足够深入。就职场晋升来说,以牛牛数据为例:标注员——项目经理——项目总监——数据运营总监。首先谈谈什么是数据标注。数据标注有许多类型,如分类、画框、注释、标记等等,我们会在下面详谈。要理解数据标注,得先理解AI其实是部分替代人的认知功能。回想一下我们是如何学习的,例如我们学习认识苹果,那么就需要有人拿着一个苹果到你面前告诉你,这是一个苹果。然后以后你遇到了苹果,你才知道这玩意儿叫做“苹果”。类比机器学习,我们要教他认识一个苹果,你直接给它一张苹果的图片,它是完全不知道这是个啥玩意的。我们得先有苹果的图片,上面标注着“苹果”两个字,然后机器通过学习了大量的图片中的特征,这时候再给机器任意一张苹果的图片,它就能认出来了。这边可以顺带提一下训练集和测试集的概念。训练集和测试集都是标注过的数据,还是以苹果为例子,假设我们有1000张标注着“苹果”的图片,那么我们可以拿900涨作为训练集,100张作为测试集。机器从900张苹果的图片中学习得到一个模型,然后我们将剩下的100张机器没有见过的图片去给它识别,然后我们就能够得到这个模型的准确率了。想想我们上学的时候,考试的内容总是不会和我们平时的作业一样,也只有这样才能测试出学习的真正效果,这样就不难理解为什么要划分一个测试集了。我们知道机器学习分为有监督学习和无监督学习。无监督学习的效果是不可控的,常常是被用来做探索性的实验。而在实际产品应用中,通常使用的是有监督学习。有监督的机器学习就需要有标注的数据来作为先验经验。在进行数据标注之前,我们首先要对数据进行清洗,得到符合我们要求的数据。数据的清洗包括去除无效的数据、整理成规整的格式等等。具体的数据要求可以和算法人员确认。二、常见的几种数据标注类型1.分类标注:分类标注,就是我们常见的打标签。一般是从既定的标签中选择数据对应的标签,是封闭集合。如下图,一张图就可以有很多分类/标签:成人、女、黄种人、长发等。对于文字,可以标注主语、谓语、宾语,名词动词等。<img src="https://pic2.zhimg.com/50/v2-df93dc0a7e8a5fe387dc3774748b5f05_hd.jpg" data-caption="" data-size="normal" data-rawwidth="700" data-rawheight="400" class="origin_image zh-lightbox-thumb" width="700" data-original="https://pic2.zhimg.com/v2-df93dc0a7e8a5fe387dc3774748b5f05_r.jpg">适用:文本、图像、语音、视频应用:脸龄识别,情绪识别,性别识别2.标框标注:机器视觉中的标框标注,很容易理解,就是框选要检测的对象。如人脸识别,首先要先把人脸的位置确定下来。行人识别,如下图。<img src="https://pic2.zhimg.com/50/v2-7824903d6d840e2bb08d96b5c2fa5874_hd.jpg" data-caption="" data-size="normal" data-rawwidth="591" data-rawheight="398" class="origin_image zh-lightbox-thumb" width="591" data-original="https://pic2.zhimg.com/v2-7824903d6d840e2bb08d96b5c2fa5874_r.jpg">适用:图像应用:人脸识别,物品识别3.区域标注:相比于标框标注,区域标注要求更加精确。边缘可以是柔性的。如自动驾驶中的道路识别。<img src="https://pic3.zhimg.com/50/v2-4bc1dd2278182acf94fc426d7e6f2dc1_hd.jpg" data-caption="" data-size="normal" data-rawwidth="601" data-rawheight="377" class="origin_image zh-lightbox-thumb" width="601" data-original="https://pic3.zhimg.com/v2-4bc1dd2278182acf94fc426d7e6f2dc1_r.jpg">适用:图像应用:自动驾驶4.描点标注:一些对于特征要求细致的应用中常常需要描点标注。人脸识别、骨骼识别等。<img src="https://pic4.zhimg.com/50/v2-5e24f394516c75e45942c37ba0da85c0_hd.jpg" data-caption="" data-size="normal" data-rawwidth="583" data-rawheight="387" class="origin_image zh-lightbox-thumb" width="583" data-original="https://pic4.zhimg.com/v2-5e24f394516c75e45942c37ba0da85c0_r.jpg">适用:图像应用:人脸识别、骨骼识别5.其他标注:标注的类型除了上面几种常见,还有很多个性化的。根据不同的需求则需要不同的标注。如自动摘要,就需要标注文章的主要观点,这时候的标注严格上就不属于上面的任何一种了。(或则你把它归为分类也是可以的,只是标注主要观点就没有这么客观的标准,如果是标注苹果估计大多数人标注的结果都差不多。)三、有什么发展前途?数据标注员可以说是AI消灭了一部分工作又创造出来的一种工作。在未来AI发展良好的前提下,数据的缺口一定是巨大的。可以预见3-5年内数据标注员的需求会一直存在。至于发展,其实所谓一些熟能生巧的工作,都是有被替代掉的风险的。深度学习解决的一件事情就是熟能生巧。在这个岗位上,其实你的一些想法就代表了AI的想法,AI会根据你标注的数据进行学习,想想还是有点成就感的。数据标注可以说是AI的入门级岗位,未来可转向其他AI岗位。如项目实施顾问等,这就要求更多的工作技能,需要再工作中积累。作者:跹尘链接:https://www.zhihu.com/question/30654399/answer/264828926来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。