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。

  • 数以万计的上班族和通常在家里工作的独立承包商,正通过Amazon Mechanical Turk等众包服务对数据进行注释和贴标签,每个标签只能赚几分钱。

8月17日消息,据外媒报道,在距离孟加拉湾约60公里远的印度布巴内斯瓦尔市中心,纳米塔·普拉丹(Namita Pradhan)坐在办公桌前,盯着世界另一端某家医院录制的视频。

视频显示了某人结肠的内部,普拉丹正通过视频寻找息肉,即大肠中可能导致癌症的小肿块,看起来有点儿像黏糊糊的痘痘。当她找到息肉时,会用她的电脑鼠标和键盘标记,在这个小凸起周围画个数字圆圈。普拉丹没有接受过专门的医学培训,但她正在帮助训练一个人工智能(AI)系统,这个系统最终可以完成医生的工作。

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

在一座小型办公楼的四楼,数十名印度年轻男女在办公桌前认真工作,普拉丹就是其中之一。他们接受的训练是对各种数字图像进行注释,从街道场景中的停车标志和行人,再到卫星照片中的工厂和油罐车,他们都能精确定位。

科技行业的大多数人都会告诉你,AI是他们行业的未来,这项技术正在快速发展,这要归功于一种叫做机器学习的东西。但科技公司的高管很少讨论其创建过程中的劳动密集型努力。AI正在向人类学习,而且是向很多人类学习。

但在AI系统能够学习之前,必须有人标记提供给它的数据。例如,人类必须精确定位息肉。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。然而,科技公司对这项工作保持沉默,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。

今年早些时候,资深科技编辑凯德·梅茨(Cade Metz)设法帮我们了解下AI培训的幕后场景,这是硅谷奇才们很少会同意的。梅茨在印度进行了一次漫步旅行,走访了五个办公室,那里的人们正在从事培训AI系统所需的、几乎没有终点的重复工作,所有这些工作都由名为iMerit的公司运营。

有像普拉丹女士这样的肠道测量师和区分咳嗽好坏的专家,有语言专家和识别街景标识的专业人士。什么是行人?那是双黄线还是虚白线?将来,机器人汽车需要知道其中的区别。

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

图2:iMerit员工必须为他们贴标签的工作学习不同寻常的技能,比如在人体肠道上发现有问题的息肉

梅茨所看到的场景看起来不太像我们想象中的未来,或者至少是你可能想象的自动化未来。办公室可以是呼叫中心或支付处理中心,其中一个位于加尔各答西部低收入居民区中央的一栋旧式公寓楼中,那里挤满了行人、汽车三轮车和街头小贩。在他参观过的布巴内斯瓦尔以及印度、尼泊尔、菲律宾、东非和美国的其他城市,数以万计的上班族都在致力于训练机器。

还有数万名工人,也就是通常在家里工作的独立承包商,也通过Amazon Mechanical Turk等众包服务对数据进行注释,这种服务让任何人都可以将数字任务分配给美国和其他国家的独立工人,工人们每个标签能挣几分钱。

总部设在印度的iMerit,为科技和汽车行业的许多大牌公司贴数据标签。该公司以保密协议为由,拒绝公开这些客户的名字。但该公司最近透露,其在全球九个办事处的2000多名员工正在为亚马逊的在线数据标签服务SageMaker Ground Truth做出贡献。之前,它还将微软列为客户。

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

图3:在印度加尔各答Metiabruz社区的iMerit办公室展示的艺术品

可以肯定的是,AI将来可能会掏空就业市场。但就目前而言,它正在创造收入相对较低的工作岗位。根据研究公司Cognilytica的数据,2018年数据标签市场价值超过5亿美元,到2023年将达到12亿美元。研究表明,这类工作占建设AI技术所花费时间的80%。

这项工作是剥削性的吗?这取决于你住在哪里,你在做什么。在印度,这是通往中产的门票。在美国新奥尔良,这是一份体面的工作。但对于作为独立承包商的人来说,这往往是一条“不归路”。

有些技能是必须学习的,比如在视频或医学扫描中发现疾病的迹象,或者在汽车或树的图像周围画数字套索时保持手部稳定。在某些情况下,当任务涉及医疗视频、色情或暴力图像时,工作就会变得可怕。

克里斯蒂·米兰德(Kristy Milland)说:“当你第一次看到这些东西时,会深深地感到不安。你不想回去工作,你可能不会回去工作了。”米兰德花了数年时间在Amazon Mechanical Turk上做数据标签工作,现在已经成为代表这项服务的工人的劳工维权人士。她称:“对于我们这些负担不起失去工作的人来说,你就只能继续忍受。”

在去印度之前,梅茨曾试着在众包服务上给图片贴上标签,在耐克标识周围画数字框,并识别“工作不安全”的图片。他当时显得非常笨拙。在开始工作之前,他必须通过测试,但却接连失败了三次。给图像贴上标签以便人们可以立即在网站上搜索零售商品,更不用说花时间将裸体女性和性玩具的粗糙图像识别为“NSFW”,并不完全是鼓舞人心的。

AI研究人员希望他们能够建立能从少量数据中学习的系统。但在可预见的未来,人类的劳动依然是必不可少的。微软的人类学家玛丽·格雷(Mary Gray)说:“这是个隐藏在技术之下、不断扩张的世界,很难将人类排除在循环之外。”

寺庙之城

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

图4:员工离开印度布巴内斯瓦尔的iMerit办公室,这家私人公司是由Radha和Dipak Basu创立的,他们都在硅谷工作过很长时间

布巴内斯瓦尔又被称为“寺庙之城”。古老的印度教圣地矗立在城市西南端的路边市场上,包括可以追溯到公元10世纪的巨型石塔。在市中心,许多街道没有铺设路面。奶牛和野狗在轻便摩托车、小汽车和卡车之间徘徊。

这座城市拥有83万人口,也是一个快速增长的在线劳动力中心。从寺庙出发大约15分钟的车程,在市中心附近一条铺好路面的路上,一座白色的四层建筑坐落在一堵石墙后面。里面有三个房间,房间里摆满了长长的桌子,每个都有自己的宽屏电脑显示屏。这就是普拉丹女士给视频贴标签的地方。

24岁的普拉丹在城外长大,并从当地一所大学获得了学位,在接受iMerit的工作之前,她在那里学习生物学和其他学科。这是她哥哥推荐的工作,他本人此前已经在公司工作了。普拉丹在工作日时住在她办公室附近的一家旅社,每个周末都乘公交车回家。

梅茨曾在今年1月份参观了普拉丹的办公室。许多身穿印度传统服装、带着长长金耳环的女士坐在长长的桌子旁,普拉丹女士穿着一件绿色的长袖衬衫、黑色的裤子和白色的系带鞋,为美国的一位客户注释视频。在通常每天8小时的工作中,这位害羞的女士观看了十几个结肠镜检查视频,不断地倒转视频,以便更近距离地查看各个帧。

每隔一段时间,普拉丹就会找到她想要的东西,她会用数字“包围盒”套住它。她画了数百个这样的包围盒,给息肉和其他疾病征兆贴上标签,比如血块和炎症。

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

图5:普拉丹(右二)在布巴内斯瓦尔的iMerit办公室和同事们一起工作

普拉丹的客户是美国的一家公司,iMerit不允许透露它的名字,它最终将把普拉丹的工作输入给AI系统,这样它就可以学会自己识别医疗状况。结肠镜的主人不一定知道视频的存在,普拉丹女士也不知道这些视频是从哪里来的,iMerit也是如此。

普拉丹女士在与一位非实习医生进行为期七天的在线视频通话时学会了这项任务。这位医生住在美国加州奥克兰,帮助培训许多iMerit办公室的工作人员。但是有些人质疑,是否应该由经验丰富的医生和医学生自己做这类标签。

威尔·康奈尔医学(Weill Cornell Medicine)和纽约长老会医院(NewYork-Presbyterian)的放射学家、初创公司MD.ai.的联合创始人乔治·施(George Shih)博士说,这项工作需要“有医学背景,并具备解剖学和病理学相关知识的人”。MD.ai.帮助企业为医疗保健构建AI。

在聊起普拉丹的工作时,她说那“很有趣”,但是很累。至于视频的图形化本质?她承认:“一开始很恶心,但后来你就习惯了。”

普拉丹标注的图像很可怕,但没有iMerit处理的其他图像那么可怕。他们的客户也在建立AI,可以识别和删除社交网络和其他在线服务上不想要的图片。这意味着需要标注色情、暴力和其他有害的图像。

这项工作可能会让从业者感到非常不安,iMerit试图限制他们审查这类内容的数量。在AI初创企业Clarifai负责数据注释工作的利兹·奥沙利文(Liz O‘Sullivan)表示,色情和暴力与更无害的图片混合在一起,那些贴上可怕标签的图片被隔离在不同的房间里,以保护其他员工。奥沙利文曾与iMerit在此类项目上密切合作。

奥沙利文说,其他标签公司将让员工对这些图片进行无限数量的注释。她指出:“如果这会导致创伤后应激障碍或者更糟情况,我不会感到惊讶。在道德上不受谴责的公司根本不愿意承担这样的责任。你必须用其他工作来填充色情和暴力,这样工人就不必看色情和斩首等内容。”

iMerit在一份声明中表示,它不会强迫员工查看色情或其他攻击性内容,只有在有助于改善监控系统的情况下才会承担这项工作。据一位公司高管透露,普拉丹和其他贴标员每月的收入在150美元到200美元之间,同时可为iMerit带来800美元到1000美元的收入。

按照美国的标准,普拉丹的工资低得不像话。但对于她和这些办公室的其他许多人来说,这大约与数据录入工作的平均工资差不多。尽管工作单调乏味,但它能帮助付得起公寓的费用。

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图6:iMerit员工普拉森吉特·拜迪亚与妻子派克在西孟加拉邦工作,他很满意当前的工作

普拉森吉特·拜迪亚(Prasenjit Baidya)在距离印度东海岸、西孟加拉邦最大城市加尔各答约50公里的农场长大。他的父母和大家庭仍然住在他儿时的家中,那是19世纪初建造的砖房。他们在周围的田里种植水稻和向日葵,并在铺满屋顶的地毯上烘干种子。

他是家里第一个接受大学教育的人,其中包括电脑课。但是学校没有教他那么多知识,教室里平均25个学生才能分配到一台电脑。大学毕业后,他自学了计算机技能,当时他报名参加了名为Anudip的非营利组织举办的培训课程。这是一位朋友推荐的,每月的费用相当于5美元。

Anudip在印度各地开设英语和计算机课程,每年培训约22000人。这家机构直接将学生推荐给iMerit,它的创始人在2013年将iMerit作为姐妹业务建立起来。通过Anudip,拜迪亚在加尔各答的一家iMerit办公室找到了工作,他的妻子巴纳利·派克(Barnali Paik)也是如此,她在附近的一个村庄长大。

在过去的六年中,iMerit从Anudip雇佣了超过1600名学生。目前,该公司的员工总数约为2500人,其中超过80%的人来自月收入低于150美元的家庭。

iMerit成立于2012年,仍然是一家私人公司,它让员工执行数字任务,比如转录音频文件或识别照片中的物体。全球各地的企业付钱给公司,而且越来越多地,他们在协助AI训练方面的工作。与丈夫迪帕克(Dipak)共同创立了Anudip和iMerit的拉达·巴苏(Radha Basu)说:“我们想让低收入背景的人进入科技行业。”巴苏和迪帕克在硅谷与科技巨头思科、惠普等长期合作。

这些工人的平均年龄是24岁。像拜迪亚一样,他们中的大多数人来自农村。该公司最近在加尔各答西部以穆斯林为主的社区Metiabruz开设了一家新的办事处。在那里,它雇佣的大多是穆斯林妇女,她们的家人不愿意让她们离开这个熙熙攘攘的地区。他们没有被要求看色情图片或暴力材料。

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

图7:iMerit员工在加尔各答Metiabruz的办公室接受培训

起初,iMerit专注于简单的任务,为在线零售网站整理产品清单,审查社交媒体上的帖子,但它已经转移到了为AI提供支持的工作中。iMerit和类似公司的增长代表着从像Mechanical Turk这样的众包服务的转变。iMerit及其客户可以更好地控制员工的培训方式和工作完成方式。

拜迪亚现在是iMerit的经理,他负责为美国一家大公司为培训无人驾驶汽车所使用的街道场景贴上标签的工作。他的团队对数字照片以及激光雷达捕获的三维图像进行分析和标记。他们整天都在汽车、行人、停车标志和电线周围画边界框。

拜迪亚说这份工作可能会很乏味,但它给了他一种他本来可能不会拥有的生活。他和妻子最近在加尔各答买了一套公寓,步行就可到达她工作的iMerit办公室。拜迪亚说:“我的生活发生了梦幻般的变化,无论是从我的财务状况、个人经历以及英语技能等方面来看,都是如此。我获得了一个机会!”

听人们咳嗽

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

图8:在iMerit新奥尔良办公室工作的奥斯卡·卡贝萨斯(Oscar Cabezas)。当公司开始开发西班牙语数字助理时,他加入了公司

印度之行几周后,梅茨乘坐Uber穿过新奥尔良市中心。大约18个月前,iMerit搬进了Superdome街对面的一栋建筑。美国一家大科技公司需要一种为其家庭数字助理的西班牙语版本标记数据的方法。因此,它将数据发送到新奥尔良的新iMerit办公室。

2005年卡特里娜飓风过后,数百名建筑工人和他们的家人搬到新奥尔良帮助重建这座城市,很多人留了下来。许多会说西班牙语的人随这支新的员工队伍而来,公司开始雇用他们。

23岁的奥斯卡·卡贝萨斯(Oscar Cabezas)和母亲从哥伦比亚搬到了新奥尔良。他的继父在建筑工地找到了工作,大学毕业后,卡贝萨斯加入iMerit,开始开发西班牙语数字助理。

他注释了从推文到餐馆评论的所有内容,识别人物和地点,并找出含糊不清之处。例如,在危地马拉,“pisto”意味着钱,但在墨西哥,它意味着啤酒。他所:“每天都有新的项目。”

这个办公室的工作已扩展到其他领域,为希望将数据保留在美国境内的企业提供服务。出于法律和安全目的,有些项目必须留在美国。

42岁的格伦达·赫尔南德斯(Glenda Hernandez)出生在危地马拉,她说她怀念以前在数字助理项目上的工作。她喜欢读书,曾为大型出版公司在网上评论书籍,这样她就可以获得免费的副本,她很享受用西班牙语进行阅读带来的有偿阅读机会。

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

图9:格伦达·赫尔南德斯(Glenda Hernandez)是新奥尔良iMerit的工作人员,她已经学会了区分咳嗽好坏之间的区别

赫尔南德斯对图像标记或类似于对人们咳嗽的录音进行注释的项目不那么感兴趣,但这是建立AI的一种方式,可以通过电话识别疾病症状。她说:“整天听咳嗽有点儿让人觉得恶心!” 微软人类学家格雷说,这项工作很容易被误解。整天听人们咳嗽可能令人恶心,但这也是医生度过他们日子的方式。她说:“我们不认为这是苦差事。”

赫尔南德斯女士的工作是为了帮助医生做好他们的工作,或者也许有一天,取代他们。她以此为荣。在抱怨了这个项目后不久,她指了指办公室里的同事说:“我们都是咳嗽诊断大师。”

“我受够了”

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

图10:多伦多的克里斯蒂·米兰德(Kristy Milland)在Amazon Mechanical Turk工作了14年,这是一家众包数据注释任务的公司,现在她试图改善从事这些工作的人的工作条件

推荐文章

“我觉得标注行业一直在承受误解,特别是在被贴上人工智能界‘富士康’的标签之后。”“外界会觉得:AI这么高大上,背后却是一群打标签的人。(他们)想刻意制造反差,就直接(把标注)定义成劳动密集型行业。”见到钛媒体编辑时,倍赛数据CEO杜霖忍不住吐槽道,“我不想让人再去看小作坊,想让人看看业内还有我们这种技术公司。”2015年前后,AlphaGo横空出世,掀起了国内AI创业的浪潮。五年间,人工智能行业在聚光灯下飞奔,跑出实验室、实现”AI+产业“落地,并成为新基建的重要组成。AI行业也经历了资本的冰与火,逐渐走向理性。但作为AI产业链的最上游,数据标注行业却一直游离在聚光灯外,很少被人提起。即便外界有观感,也大多想象这个行业绝大多数公司会是“富士康”一样的流水线,亦或是三四线城市的小作坊。就连刘慈欣都会说:现在的人工智能,前面有多少智能后面就有多少人工。数据标注行业,更多被用来调侃人们对AI的期望与差距。但实际上,这个行业已经走过了小作坊的粗放时期,开始走进“技术致胜”的时代。误解一:数据标注只靠人力2017年,《经济学人》发表的封面文章中提出了一个疑问:数据更像石油还是阳光?文章作者认为,数据是“世界上最宝贵的资源”,数据是未来的石油。但另一方面,数据也具有公共物品的特征,人们应该对其进行广泛的收集和利用,以最大程度地创造财富。在这个意义上,数据就如阳光一般。如同石油和阳光,数据不经过炼化、转换没法应用,而最初采集数据、处理数据的人,就是数据标注师们。作为AI应用大国,国内的数据标注公司,与AI创业潮近乎是同时起步。刚起步时,国内AI大多处于实验室研发阶段,所需数据量小,也并无定制化需求,因此行业门槛较低,大多以劳动密集型的作坊出现,这些“小作坊”以外包(BPO)业务为主,也给外界留下了“富士康”的印象。而现在随着AI大规模落地,向产业更深更广延伸,使得标注场景更细分、数据类型更复杂,行业开始跨过野蛮生长,进入精耕细作。整个AI基础数据服务产业正在经历转型升级——更多劳动密集型企业正面临生死关头,更多的技术型公司正在突出重围。艾瑞咨询今年发布的报告显示,2019年中国AI基础数据服务行业市场规模可达30.9亿元,预计2025年市场规模将突破100亿元,年化增长率达到21.8%。报告指出,中小型数据供应商的整体体量仍然可观,但随着业务门槛提升、客户需求多样化,越来越多中小型供应商在苦恼生存问题,这一群体在未来1-2年内将迎来“倒闭潮”。杜霖所在的倍赛数据(BasicFinder,以下简称倍赛)就是家典型的标注技术公司。这家公司定位是AI的基础设施供应商,构建从数据标注、数据管理到建模的一系列底层基础设施。杜霖团队的核心成员都是机器学习和AI从业者,但2015年国内AI创业热时,他们却选择了AI产业链的最上游——数据标注。“我们一直坚信一句话叫code is cheap(代码是最便宜的)。随着Google TensorFlow、Pytorch等开源框架的推出,AI公司建模的门槛会越来越低,从前海外名校博士的工作现在本科学生都可以做。”杜霖对钛媒体App表示“如果我们做AI技术公司,就要在模型甚至更底层的神经网络研究中发力。而我们看到的更大的蓝海其实是数据,未来算法门槛越来越低,而数据则会越来越高。“杜霖表示,大量数据标注企业都强调解决就业,而非技术属性,这也是行业被视为劳动密集型的原因之一,但这并不代表这个赛道里不需要技术。“京东的主要人员构成是快递小哥对不对,但京东是劳动密集型企业吗?本质上它还是技术驱动的。”当前,随着AI建模能力外溢,技术门槛降低,不仅科技公司、各行各业对数据的需求都在增长。科技公司想通过巨大的数据池构建模型壁垒,也有更多企业开始重视自有业务数据的标注及模型迭代,对标注系统的私有化部署或工具SaaS需求开始增长。一位不愿具名的AI从业者对钛媒体App表示,国内一些头部AI公司宣称建立了模型壁垒,但本质上是由于积累了绝大部分数据而形成的数据壁垒,其实各家的模型并没有代际上的差异。杜霖也强调了数据量对建模效率的影响。“请一群厉害的博士去攻克一个场景,或许仅能提升不到5%的效率,但如果能在数据端多20%的数据,效果会比从底层算法研发提升更多。”在他看来,标注企业的核心竞争力还是技术。“这个行业经历了大洗牌,劳动密集、压榨工资的企业被淘汰,最后变成技术主导。技术提升效率、产生了成本优势,通过理解客户需求、再加上自有技术和平台,标注企业就能形成自己的壁垒。”误解二:数据标注不被资本重视?但“劳动密集型”这一刻板印象,依然存在于数据标注这个产业中。体现在投融资上尤为明显。杜霖认为,国外比较认可标注公司的技术价值,北美数据标注公司与国内相关公司的估值至少相差10倍。“国外做标注工具软件的企业已经在投融资中火起来了,我们也就是千万级人民币,他们融资规模普遍比我们大,基本都是几千万美金起步。”据钛媒体App不完全统计,海外技术驱动型公司已经受到关注。其中,黑马企业Scale AI在C轮融资1亿美元后,投后估值已超10亿美元,跻身独角兽行列。不少标注公司被企业收购,比如老牌标注公司Figure Eight也3亿美金被Appen收购,初创的Mighty AI被Uber全资收购。今年3到4月,海外的DefineCrowd、LabelBox纷纷完成数千万美元融资。而国内标注公司中,爱数智慧在A轮融资后的估值约为2亿元人民币,这在同类公司中已经属于融资表现较好的了,国内同类公司融资额基本在千万级人民币左右。钛媒体整理了部分数据标注公司投融资情况,数据来自天眼查以及公开资料五岳资本(N5Capital)董事总经理蒲俊臣对钛媒体App表示,与北美同类型公司产生估值差,是因为国内大部分投资者将标注技术公司等同于标注业务公司,加之部分媒体对行业劳动密集属性的刻画,使得提升行业效率的技术价值没有被公允认可。不过,随着投资者对行业认识深入,这种差距会逐渐减少。对于国内标注公司是否有投资价值,投资方也有不同看法。在蒲俊臣看来,标注技术型公司仍有投资价值。“一方面,AI公司在算力、算法方向投入的增量梯度逐渐下降,未来市场存在巨大的数据需求;另一方面,这类公司的智能标注工具不仅提升了数据的产出效率,同时也在数据、辅助标注模型的迭代中打造出了完善的AI基础设施。AI的未来就是数据到模型的无缝输出。”星瀚资本创始合伙人杨歌则认为,要判断投资价值,最重要的是看产业能否闭环。“要看上下游公司是否有长期的经济需求、会不会长期使用这个工具、工具成熟后会不会自己做,边际价值会不会递减等。评判一家数据标注公司,抛开上下游去评判是没有价值的。所以投资时,不能把标注了多少数据当做资产,一定要从供需角度去判断其价值。”杨歌对钛媒体App表示,数据标注行业虽然to B,但和供应链、金融贸易等行业相比,需求存在不稳定性,且容易被替代。即便是做SaaS的技术公司,也很难有绝对的技术壁垒,基本属于营销导向或客户关系导向。而且这种服务型公司通常是乙方,市场把控和定价能力较弱,所以风险比较高,这也是投资时要关注的点。误解三:数据标注不需要高学历在以往的印象中,数据标注从业者往往学历不高、工作环境恶劣,但这只是行业的一枚切片,事实的一角。那些“喂养”AI的人们,既有标注基地的标注员,也包括技术公司中做系统开发维护的程序员们。一个标注项目,往往先给到标注技术公司或众包平台,再由他们派遣给自营标注基地或外包人员。以倍赛为例,公司当前有两条业务线,一条是自研的数据标注SaaS平台,另一条是为数据保密性强的大中型企业研发数据标注的私有化版本。公司算法工程师的日常工作,就是开发维护平台,并不断训练AI模型来辅助人工标注。倍赛北京办公室都是SaaS平台的研发人员,有着纽约大学、上海交大、哈工大和北航的教育背景。钛媒体编辑到访时,一位算法工程师正在优化SaaS系统。系统中“物体自动识别”的能力已经可以自动识别并标注80种物体,该工程师正在“训练”AI识别更多的物体。在工程师的打磨下,当前SaaS平台已具备从数据采集、打标签到直接生成模型的能力。倍赛自营的20多家数据标注基地和众包人员,均在其自有SaaS平台上完成标注工作。“最近2个月,在我们的SaaS平台上有1万多人、700多个团队、面向300多个客户做着数据标注工作。我们的AI辅助功能也能提升效率。”杜霖介绍道。除了倍赛这种标注技术公司,互联网大厂也正在深度参与数据标注工作。自2011年起,百度就自建数据采标团队,支持内部AI业务。面对日益增长的数据标注需求,百度后续开始输出其数据标注能力。2018年9月,百度山西人工智能基础数据项目(以下简称基地)与山西省转型综合改革示范区签约。自签约至今,百度已经为山西引入35家国内数据标注企业,通过导入百度自有的数据标注业务,为人员提供业务培训,帮助标注企业实现了近亿元营收。当前,基地从业人员达到2000余人,是国内人员和产值规模最大的单体数据标注基地。百度(山西)人工智能基础数据产业基地在此前的想象中,数据标注基地更像是“工厂里冷冰冰的流水线”,标注员们在非常机械地工作。然而,当钛媒体编辑走进百度位于山西的标注基地,看到一万平方米的基地,按照NLP、无人驾驶、内容识别、语音识别等门类分布着不同的办公区域。每20-30位标注员在一间办公室,都在对电脑上各色的数据文件进行标注,给人一种学生时代上电脑课的感觉。百度(山西)人工智能基础数据产业基地基地的数据标注员李宇龙现在还记得他从业以来第一个,也是印象最深刻的项目。他来自传统行业,接触的第一个项目就是“车道线“标注,这一数据往往被用来训练自动驾驶技术——在自动驾驶车辆行驶途中会自行连续拍摄图片,而标注员需要对图片上车辆经过的车道线进行编号,其中一种是识别实线还是虚线,因为车辆仅可以在虚线变道,实线不行。“项目的难点是城市道路比较复杂,因为车辆多了有些车道线可能会被遮盖,还有在路口会遇到导流线,匝道和主道之间的分叉、交会是非常难的。”李宇龙对钛媒体App表示。李宇龙刚上手时,只拿到了软件和一份规则,规则简单陈述了要在哪些位置打点。起初他觉得这只是重复工,但随着技能熟练度提升,他在标注上也面临了更多考验。他最初接触的车道线是2D图片,但因为自动驾驶车上的激光雷达采集的是3D数据,这些从360度观测的、具有立体点状特征的数据需要标注员具备空间思维能力。“在3D数据中我们看到的只有一片点状物,并不清楚具体是什么,标注员需要准确找到这辆车,并且把它的轮廓、长宽高的细节都标注出来。在这个过程中,标注员要先从2D图了解如何作业,记住规则口诀,搭配2D图一起看3D环绕的图形,这样最快可以在一个星期内掌握。”入行两年后,李宇龙已经从数据标注员成为培训师,日常工作就是根据项目特点对人员进行培训。据他介绍,从数据标注师做起,可以做到培训师,甚至成为机器训练师,要求会逐步提高。开始只需掌握标注技能,后来则需要发现缺失的数据或者程序bug。像百度山西基地,大多数人都是专科背景,经过培训可掌握通用型的拉框或打点任务。但涉及到医疗、金融、语言、法律等专业领域,往往需要具备专业知识的数据师来标注。“外界总是说数据标注是劳动密集型,但我觉得它也是知识密集型的”,杜霖对钛媒体表示。比如医疗数据标注,会涉及到眼底数据、或肿瘤区域的图像分割,这种看片子的任务往往要由有专业医学背景的人负责;涉及到方言和外语的内容需要找掌握该门语言的标注员。金融领域则需要具备金融知识的专业人士来操作。“像做法律文书标注或投融资事件分析时,就不能再找大专背景,得找相关专业的本科生。做医疗数据标注时,必须要找医学院的学生来完成。”杜霖表示。误解四:薪资只是工人水平?数据标注师的薪水也往往被认为是极其低廉的。但实际上,由于任务的规模和难度不同、要求的时限不同、以及是否涉及到专业领域知识、数据标注员们的薪资也有很大的弹性空间。“由于项目标准不同,计费方式也不同。有各种计费的组合,有些是依照点、线、区域,有些是参照每张图,相对来说还是按计件收入算。”山西麟诺网络科技有限公司李应维说道。“我做车道线项目时,一天8个小时能赚300块。这个收入在同事其实处于中等位置,收入最高的人一天可以破千”,李宇龙对钛媒体表示,“每个项目会有个上手期,之后会越做越快,质量越来越高”。同在基地的标注员郭梅,刚入行时一天最多只能标注300根车道线,现在一天最多可以标注1700根,折算成收入便从每天70元涨到了每天300元以上。“在基地里最高有人月入过万,不过收入均值会落在三千到五千之间,在山西太原是比平均水平好一些的。”百度(山西)人工智能基础数据产业基地负责人尉赤对钛媒体App表示。尉赤也向钛媒体回忆道,之前有项目做英文数据,要求标注员必须持有英语四级证书。“这种项目本身价值高的、属于专业领域的,整体收入也会更高。”不过,数据标注行业分层较大,既有科技企业自建的标注基地、也有众包平台、以及团体或个人的小作坊。外包给个人或小作坊的产量不稳定,分到的任务会更初级,计费更低,这也就构成了数据标注行业薪资的下限。数据标注行业与AI的应用场景息息相关,随着AI落地场景,对数据的要求也更加多样而复杂。国内最早需要大规模标注、同时最易获得的是人脸数据。与此同时,自动驾驶、智慧医疗、语音翻译转写等领域的AI落地也催生了不同的数据需求。以自动驾驶为例:物体检测所需数据量最少,只需要教AI认识几千到一万张图像,而自动驾驶领域涉及生命安全,不允许犯错,所需数据量往往在百万级以上。在问及数据标注的难点时,杜霖表示“如何理解客户需求,并嵌入其实际业务”是比较难的问题。例如,同样都是标注“人像”,实际方案却不同。如果商场要统计客流量,只需要框选人物轮廓计数即可;如果要判断是否有暴恐行为,就要对人物的动作行为进行分析;如果要判断人物情绪,就要对其脸部表情进行标注; 而做瘦脸特效的话,就要对人脸轮廓进行精细打点。误解五:数据标注本身不需要AI?有意思的是,行业虽然越来越成熟,但数据采集和标注工作所占的成本,正在AI模型的完整生命流程中逐渐上升。据杜霖透露,2015年刚起步时由于AI工程师贵,数据采标成本仅占总体的10%-20%,但由于AI工程师的成本降了不少,数据需求量又越来越大,现在采标成本在总成本中已经占到了30%-40%。因此,在从劳动密集型转向技术密集型的同时,数据标注产业当然也在利用AI提升效率。当前,将技术引入数据标注流程已是业内通用做法,让训练好的AI模型反哺人工标注,也是标注技术公司的优势所在。倍赛的数据标注SaaS平台,像Photoshop一样可选择标注界面和工具。倍赛还开发了一系列AI辅助的功能,内嵌在平台中供标注师使用。比如AI辅助打点,以往标注师想要精细描摹一辆车的轮廓,需要手工打上30多个点。如果标注一辆车需要1分钟,那么标注图片上所有物体则平均需要1小时。“借助AI辅助功能,现在只需在车的外轮廓上任意打4个点,系统就会自动把30个点全部打完,轮廓贴合的也很好。这样人工打点就能减少到4个,只需进行微调,减少了一半用时,效率也提升了。”杜霖对钛媒体表示。AI辅助数据标注之智能语义分割(来源:倍赛数据)当前,有监督的机器学习技术占据了AI发展的主流,但学术圈已经开始向自监督学习模型进行探索——他们认为该模型能让AI从数据标注中解脱出来,无需任何人工标注数据就能完成学习。不过,在一些全新的领域,机器尚不能辅助人类工作,数据标注仍需人力完成。即便有了AI自动化标注工具,依然要由人来做审核质检的最后一步。“往往在较成熟的领域或熟悉的场景中会衍生出自动化工具,比如图像中的物体识别。机器要经过大量训练获取这种知识,才能作为工具去辅助人工。如果是全新的应用场景,在AI还没训练好的情况下是没法辅助的,”尉赤对钛媒体App解释道。杨歌对钛媒体App表示,清晰且标准化的数据更适合AI标注,模糊且繁琐的社会性数据只能由人来进行。比如法院的案件要做归档处理,AI很难去判断案件到底是刑事还是民事。涉及到道德、原则、好坏方面的内容,需要由人处理。杜霖则进一步向钛媒体App阐释,在数据标注流程中,AI辅助的比重往往与算法的成熟度成正相关。比如说检测人物时,一个熟练掌握“人像”的算法可完成70%的任务量,人工只需做30%。但用同样的算法去框选“物品”,可能人工标注就要占到80%。问题在于,数据标注师在把AI“喂养”得更智能的同时,是否也在“革自己的命”?在未来,数据标注师这个新工种有可能被AI取代吗?杜霖认为,在数据标注领域,AI完全取代人力尚且遥远。就拿自监督学习为例,这一技术仍属于前沿探索领域,在全场景内还很难落地,尚未实现大规模普及,更不用说从根源上去取代人工标注。“现在正从信息化迈向数据化,工业4.0会使数据标注更加工程化。这个阶段还是以有监督式学习为主,它还没有完全成熟,现在算法还在不断迭代中。”杨歌表示。但这个新兴的、离AI最近的职业,会不会有更深刻的“被替代”焦虑?一些从业者这样回答:“数据标注师是最后一批被AI取代的群体,因为总有些工作需要人来做。”免责声明:本文来自腾讯新闻客户端自媒体,不代表找标注网的观点和立场。

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。