人工智能数据标注产业国家政策梳理:行业已上升至国家战略

人工智能数据标注产业国家政策梳理:行业已上升至国家战略


 时间:2021-02-18    来源:消费日报网


人工智能作为新一轮产业变革的核心驱动力,将进一步创造新的引擎,重构生产、分配、交换、消费等经济活动各环节,催生新技术、新产品、新产业、新业态、新模式。

  近年来,我国政府高度重视人工智能的技术进步与产业发展,目前人工智能已上升国家战略。在全国人大常委会中提到要加强立法理论研究,重视对人工智能、区块链、基因编辑等新技术新领域相关法律问题的研究。

  人工智能技术的应用正在改变着我们的生活。而在人工智能产业高速发展的背后,数据标注师这个新职业的需求及人数也正在壮大。数据标注行业流行着一句话,“有多少智能,就有多少人工”。目前AI算法能学习的数据,必须通过人力逐一标注,这些人力被称为“人工智能的老师”为人工智能搭建基础。 AI优评希望能有更多的识之士,关注并加入到人工智能-数据标注行业,共同参与和推进行业发展!

  全国人工智能数据标注产业

  相关政策汇总

  2015.05

  政策:《中国制造2025》

  要点:首次提及智能制造,提出加快推动新一代信息技术与制造技术融合发展,把智能制造作为两化深度融合的主攻方向,着力发展智能装备和智能产品,推动生产过程智能化。

  2015.07

  政策:《关于积极推进“互联网+”行动的指导意见》

  发布机关:国务院

  要点:该《指导意见》中将人工智能作为其主要的十一项行动之一。明确提出,依托互联网平台提供人工智能公共创新服务,加快人工智能核心技术突破,促进人工智能在智能家居、智能终端、智能汽车、机器人等领域的推广应用;要进一步推进计算机视觉、智能语音处理、生物特征识别、自然语言理解、智能决策控制以及新型人机交互等关键技术的研发和产业化。

  2016.03

  政策:国务院《国民经济和社会发展第十三个五年规划纲要(草案)》

  发布机关:国务院

  要点:人工智能概念进入“十三五”重大工程。

  2016.04

  政策:机器人产业发展规划(2016-2020年)

  发布机关:工业和信息化部、国家发展改革委、财政部等三部委

  要点:2020年具体目标如下:

  产业规模持续增长。自主品牌工业机器人年产量达到10万台,六轴及以上工业机器人年产量达到5万台以上。

  技术水平显著提升。工业机器人速度、载荷、精度、自重比等主要技术指标达到国外同类产品水平

  集成应用取得显著成效。完成30个以上典型领域机器人综合应用解决方案,并形成相应的标准和规范,实现机器人在重点行业的规模化应用,机器人密度达到150以上。

  2016.05

  政策:《“互联网+”人 工智能三年行动实施方案》

  发布机关:国家发展改革委、科技部、工业和信息化部、中央网信办

  要点:明确提出到 2018 年国内要形成千亿元级的人工智能市场应用规模。规划确定了在六个具体方面支持人工智能的发展,包括资金、系统标准化、知识产权保护、人力资源发展、国际合作和实施安排。规划确立了在 2018 年前建立基础设施、创新平台、工业系统、创新服务系统和 AI 基础工业标准化这一目标。

  2016.07

  政策:《“十三五”国家科技创新规划》

  发布机关:国务院

  要点:要大力发展泛在融合、绿色宽带、安全智能的新一代信息技术,研发新一代互联网技术,保障网络空间安全,促进信息技术向各行业广泛渗透与深度融合。同时,研发新一代互联网技术以及发展自然人机交互技术成首要目标。

  2016.09

  政策:《国家发展改革 委办公厅关于请组织申报“互联网 +”领域创新能力建设专项的通知》

  发布机关:发改委

  要点:人工智能的发展应用问题,为构 建“互联网+”领域创新网络,促进人工智能技术的发展,应将人工智能技术纳入专项建设内容。

  2016.11

  政策:“十三五”国家战略性新兴产业发展规划

  发布机关:国务院

  要点:发展人工智能。培育人工智能产业生态,促进人工智能在经济社会重点领域推广应用,打造国际领先的技术体系。

  2017.03政府工作报告中提到,要加快培育壮大新兴产业。全面实施战略性新兴产业发展规划,加快人工智能等技术研发和转化,做大做强产业集群。

  2017.07

  政策:《新一代人工智能发展规划》

  发布机关:国务院

  要点:明确指出新一代人工智能发展分三步走的战略目标,到2030年使中国人工智能理论、技术与应用总体达到 世界领先水平,成为世界主要人工智能创新中心。

  2017.10

  政策:十九大报告

  要点:将推动互联网、大数据、人工智能和实体经济深度融合。

  2017.12

  政策:《促进新一代人工智能产业发展三年行动计划(2018-2020年)》

  发布机关:工信部

  要点:它作为对7月发布的《新一代人工智能发展规划》的补充,详细规划了人工智能在未来三年的重点发展方向和目标,每个方向的目标都做了非常细致的量化。

  2018.01

  政策:《人工智能标准化白皮书(2018版)》

  发布机关:2018人工智能标准化论坛

  要点:国家标准化管理委员会宣布成立国家人工智能标准化总体组、专家咨询组,负责全面统筹规划和协调管理我国人工智能标准化工作,并对《促进新一代人工智能产业发展三年行动计划(2018-2020年)》及《人工智能标准化助力产业发展》进行解读,全面推进人工智能标准化工作。

  2018.03

  政策:2018年国务院政府工作报告

  发布机关:国务院

  要点:“人工智能”继2017年政府工作报告中首次出现后,今年再度被列入政府工作报告正文。政府工作报告强调了“产业级的人工智能应用”。做大做强新兴产业集群,实施大数据发展行动,加强新一代人工智能研发应用,在医疗、养老、教育、文化、体育等多领域推进“互联网+”。发展智能产业,拓展智能生活。运用新技术、新业态、新模式,大力改造提升传统产业。”

  2018.04

  政策:《高等学校人工智能创新行动计划》

  发布机关:教育部

  要点:从“优化高校人工智能科技创新体系”“完善人工智能领域人才培养体系”和“推动高校人工智能领域科技成果转化与示范应用”三个方面提出18条重点任务,着力推动高校人工智能创新。

  2018.11

  政策:《新一代人工智能产业创新重点任务揭榜工作方案》

  发布机关:工信部

  要点:征集并遴选一批掌握人工智能核心关键技术、创新能力强、发展潜力大的企业、科研机构等,调动产学研用各方积极性。

  2019.03

  政策:《2019年政府工作报告》

  发布机关:国务院

  要点:促进新兴产业加快发展。深化大数据、人工智能等研发应用,培育新一代信息技术、高端装备、生物医药、新能源汽车、新材料等新兴产业集群,壮大数字经济。加快在各行业各领域推进“互联网+”。

  2019.03

  政策:《关于促进人工智能和实体经济深度融合的指导意见》

  发布机关:中央深改委

  要点:提出促进人工智能和实体经济深度融合,坚持以市场需求为导向,以产业应用为目标,深化改革创新,优化制度环境,激发企业创新活力和内生动力,结合不同行业、不同区域特点,探索创新成果应用转化的路径和方法,构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态。

  2019.06

  政策:《新一代人工智能治理原则》

  发布机关:科技部

推荐文章

谷歌发布迄今最大注释图像数据集,190万图像目标检测挑战赛启动
【新智元导读】今天,谷歌宣布开放Open Images V4数据集,包含190万张图片,共计600个类别,共标记了1540万个边界框,这是迄今的有对象位置注释的最大数据集。基于此数据集,谷歌将在ECCV 2018举办大型图像挑战赛。2016年,谷歌推出一个包含900万张图片的联合发布数据库:Open Images,其中标注了成千上万个对象类别。从它发布以来,谷歌的工程师一直在努力更新和重新整理数据集,以为计算机视觉研究领域提供有用的资源来开发新的模型。今天,谷歌宣布开放Open Images V4,其中包含190万张图片,共计600个类别,共标记了1540万个边界框。这个数据集成为现有的带有对象位置注释的最大数据集。这些边界框大部分是由专业的注释人员手工绘制的,以确保准确性和一致性。这些图像非常多样,通常包含有几个对象的复杂场景(平均每个图像包含8个边界框)。谷歌发起大型开放图像挑战赛与此同时,谷歌还推出Open Image Challenge(开放图像挑战赛),这是一项新的目标检测挑战,将在2018年欧洲计算机视觉会议(ECCV 2018)上举行。Open Image Challenge遵循了PASCAL VOC、ImageNet和COCO的传统,但规模空前:在170万张训练图片中,有1220万个有框注释,共500个类别。比以前的检测挑战更广泛,包括诸如“fedora”和“snowman”之类的新对象。除了对象检测这个任务之外,挑战还包括一个视觉关系检测跟踪人物,即在特定关系中检测对象的配对情况,例如“女人弹吉他”。训练集现在已经可以使用了。一组包含10万个图像的测试集将于2018年7月1日由Kaggle发布。提交结果的截止日期是2018年9月1日。我们希望这些大型的训练集能够激发对更精密的探测模型的研究,这些模型将超过目前最先进的性能,并且500个类别将能够更精确地评估不同的探测器在哪里表现得最好。此外,有大量的图像和许多对象的注释使我们能够探索视觉关系检测,这是一个正在发展的分支领域的热门话题。除此之外,Open Images V4还包含3010万的人工验证的图像级标签,共计19794个类别,这并不是挑战的一部分。该数据集包括550万个图像级标签,由来自世界各地的成千上万的用户在crowdsource.google.com上生成。Open Images V4数据集Open Images是一个由900万张图片组成的数据集,这些图像被标注为图像级标签和对象边界框。V4的训练集包含了600对象类的1460万个图像,其中共标记了174万个标记目标,这使得它成为现有的最大包含对象位置注释的数据集。这些物体的边界框大部分是由专业的注释器手工绘制的,以确保准确性和一致性。这些图像非常多样,通常包含有多个对象的复杂场景(平均每个图像有8.4个标记)。此外,数据集还带有数千个类的图像级标签。数据组织结构数据集被分割为一个训练集(9,011,219图像),一个验证集(41620个图像)和一个测试集(125,436张图片)。这些图像被标注了图像级标签和边界框,如下所述。表1表1显示了数据集的所有子集中的图像级标签的概述。所有的图像都有机器生成的图像级标签,这些标签是由类似于Google Cloud Vision API的计算机视觉模型自动生成的。这些自动生成的标签有一个很大的假正率。此外,验证和测试集,以及部分训练集都包含经过人工验证的图像级标签。大多数验证都是由Google内部的注释者完成的。更小的部分是通过图片标签软件来完成的,如Crowdsource app, g.co/imagelabeler。这个验证过程实际上消除了假阳性(但不是传统意义上的假阴性,这种方式会导致一些标签可能在图像中丢失)。由此产生的标签在很大程度上是正确的,我们建议使用这些标签来训练计算机视觉模型。使用多个计算机视觉模型来生成样本,这样做是保证在训练时不仅仅用机器生成的标签数据,这就是为什么词汇表被显著扩展的原因,如表一所示。总的来说,有19995个不同的类和图像级标签。请注意,这个数字略高于上表中人工验证的标签的数量。原因是在机器生成的数据集中有少量的标签并没有出现在人工验证的集合中。可训练的类是那些在V4训练集中至少有100个正例的人工验证类。基于这个定义,7186个类被认为是可训练的。边界框表2表2显示了数据集的所有分割中边界框注释的概述,它包含了600个对象类。这些服务提供的范围比ILSVRC和COCO探测挑战的范围更广,包括诸如“fedora”和“snowman”之类的新对象。 对于训练集,我们在174 万的图像中标注了方框,用于可用的阳性人工标记的图像级标签。我们关注最具体的标签。例如,如果一个图像包含汽车、豪华轿车、螺丝刀,我们为豪华轿车和螺丝刀提供带注释的标注方框。对于图像中的每一个标签,我们详尽地注释了图像中的对象类的每个实例。数据集共包含1460万个的边界框。平均每个图像有8.4个标记对象。对于验证和测试集,针对所有可用的正图像级标签,我们提供了所有对象实例详尽的边界框注释。所有的边界框都是手工绘制的。我们有意地尝试在语义层次结构中尽可能详尽地标注注释框。平均来说,在验证和测试集中,每个图像标记了5个边界框。在所有的子集中,包括训练集、验证集和测试集中,注释器还为每个边界框标记了一组属性,例如指出该对象是否被遮挡。类定义(Class definitions)类别由MIDs(机器生成的id)标识,可以在Freebase或Google知识图的API中找到。每个类的简短描述都可以在类中CSV中找到。统计和数据分析600个可标记类的层次结构本文来自新浪网

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。