数据标注员成就了今天的人工智能

数据标注员成就了今天的人工智能,

为什么说AI对人类劳动力来说是个好消息

盖蒂盖蒂

人工智能(AI)在未来的工作中扮演什么角色?从目前的趋势来看,它将使企业更智能,流程更高效,体验更个性化,客户更满意 - 尽管这并不能阻止那些有先见之明的Cassandras做出更可怕的预测。为了听取他们的讲话,一个新的大师类天才机器将逐渐但不可避免地从一个接一个的职业取代人类,直到我们大多数人闲置和贫困。我相信现实并不是那么反乌托邦 - 但它可能同样具有变革性。

这不是第一次将技术创新视为对人类劳动的至高无上或必要性的威胁。在缝纫机发明四十年后,第一家机器制衣厂被工人们害怕失去工作而被烧毁当然,今天全球服装业雇佣了大约4000万人同时,缝纫机的商业化使消费者能够更有效地制作和修补自己的衣服,有助于增加对织物的需求,扩大普通人的衣橱,并使以前辛苦的手动任务更快更简单地完成。

恐惧是这些可怕预测的根源。人们担心机器会从人类中获取工作或者超越我们,从而彻底取代我们。我相信现实是,通过教这些机器来接管我们日常的日常任务,我们给予自己更多的自由和灵活性,在我们的领域保持领先,并为自己提供更多的个人和职业发展机会。


缝纫机和人工智能系统之间存在明显差异,但在我看来,他们有朝一日都会证明反思恐惧和毫无根据的假设无法预测革命性技术的未来。也不是天上掉馅饼的幻想 - 我们还没有飞行喷气背包去工作或以药丸的形式吃饭。重要的是要清楚地了解人工智能跨行业的潜在好处,以了解如何最好地进行。

让AI为我们工作,而不是相反

AI是一种工具。从锤子到启发式分析引擎的任何工具都可以使其用户更加高效,高效和高效。人工智能系统可能会从人类的手(或大脑)中完成某些任务,但我相信它会使人类更有效,而不是更少的必要。例如,AI的一个主要用途是模式识别。在安全上下文中,这可能意味着发现IT环境中的异常活动或行为可能表示存在违规行为。如果没有人工智能,你需要投入更多的人工来发现这些异常现象,但你也会发现更少的异常情况,减少违规行为并减少故障中的漏洞。同时,该业务受到更多损害。这对员工来说最好吗?

现在将AI和机器学习技术添加到安全团队的工具库中。利用这些工具在后台寻找异常和威胁 - 利用我们教过的技能 - 安全和IT专业人员可以专注于更全面的安全方法。特别是,通过使技术更加智能化,我们可以解决每个企业安全态势中最薄弱的环节:人的因素。更智能的系统创造了更简单,更安全的工作体验。智能数字工作区可以包含更少的登录步骤(因此人们不会想要在Post-Its上使用快捷方式或写密码),无需将白名单或黑名单应用列入白名单(这种做法与IT员工一样讨厌) ,允许通过公共网络的安全连接(对于那里的星巴克Wi-Fi战士)等等。AI也有助于提高生产力。一个 普华永道的一项研究 发现,到2030年,人工智能有可能将全球经济的生产力和GDP潜力提高26%。

在安全的情况下,AI使团队的努力更加成功,而不会取消他们的工作。作为可能产生更大影响的二阶效应,它还可以通过提高人们工作方式的效率和灵活性,使整个员工队伍更加有效。当人们可以在更多场景中更轻松地工作时,他们可以为业务带来更大的价值,有助于刺激增长,从而实际上可以增加公司对劳动力的需求。从这个意义上说,人工智能不会取代人,它会使人们充满活力 - 这对整个组织都有好处。

随着人工智能的补充和增强计算的人性因素,您可以在整个组织中看到这些战略优势。通过自动执行平凡的任务并消除错误,AI可以提高业务效率。通过从当今令人眼花缭乱的设备和连接矩阵产生的大量数据中获取洞察力,它可以帮助我们做出更明智的决策,为企业,工人和客户带来好处。通过帮助我们跟上数字化转型的闪电步伐,它可以让我们通过主动解决问题和智能策略来管理风险,以防止漏洞发生。

在更高的层面上,我相信人工智能对解决目前困扰我们经济的巨大人才短缺至关重要。我们需要技术来减轻人类的平凡任务,因此我们可以专注于推动业务发展的更高层次的任务。对于竞争那里的人才的个别公司 - 特别是那些我们一直听到的千禧一代 - 智能工作场所技术对于赢得人才战争至关重要。人们越来越期望他们应该能够以他们想要的方式,他们想要的地点和时间工作。AI可以在不影响安全性的情况下提供灵活性,因此人们可以获得现代工作体验,帮助他们做最好的工作并拥有最好的职业。

人工智能不会崛起并接管世界。它学习我们教它的内容 - 我们正在教它我们希望我们的未来工作看起来像:安全,灵活,高效和高效。



推荐文章

昨天,谷歌与霍华德 • 休斯医学研究所 (HHMI) 和剑桥大学合作,发布了一项深入研究果蝇大脑的重磅成果 —— 自动重建整个果蝇的大脑。他们使用数千个谷歌云 TPU,重建的完整果蝇大脑高达 40 万亿像素。有了完整的大脑图像,科学家距离了解大脑如何工作更近了一步。你知道吗?果蝇是公认被人类研究的最彻底的生物之一,截至目前,已有 8 个诺贝尔奖颁发给使用果蝇的研究,这些研究推动了分子生物学、遗传学和神经科学的发展。科学家们一直梦想通过绘制完整的大脑神经网络的结构,以了解神经系统是如何工作的。最近研究的一个主要目标是果蝇的大脑。果蝇的一个重要优势是它们的大小:果蝇的大脑相对较小,只有10万个神经元,相比之下,老鼠的大脑有1亿个神经元,人类的大脑有1000亿个神经元。这使得果蝇的大脑更容易作为一个完整的回路来研究。今天,谷歌与霍华德•休斯医学研究所(HHMI)和剑桥大学合作,发布了一项最新深入研究果蝇大脑的研究成果——自动重建整个果蝇的大脑。果蝇大脑的自动重建这篇论文题为“利用Flood-Filling网络和局部调整自动重建连续切片成像的果蝇大脑”:  来自谷歌、霍华德•休斯医学研究所(HHMI)Janelia研究园区以及剑桥大学的一共16位研究人员参与了这个研究,其中,第一作者Peter H. Li是谷歌研究科学家,主要研究方向包括一般科学、机器智能、机器感知。Peter H. Li他们还提供了果蝇大脑完整图像的展示,任何人都可以下载查看、或使用交互式工具在线浏览,他们开发了一个3D的交互界面,称为Neuroglancer。 Neuroglancer的演示这不是果蝇大脑第一次得到完整绘制,今年1月,Science 杂志用封面报道,介绍了 MIT 和霍华德·休斯医学研究所(HHMI)科学家们成功对果蝇的完整大脑进行了成像,并且清晰度达到了纳米级。但那次仍是人工的方法,使用了两种最先进的显微镜技术。几十年来,神经科学家一直梦想绘制出一幅完整的大脑神经网络的精细地图,但对于拥有1000亿神经网络的人脑,需要处理的数据量之巨大是难以想象的。如果能自动重建果蝇大脑,也许离自动绘制人脑就更近一步了。这也不是Peter H. Li的团队第一次试图用AI方法绘制大脑神经元,他们分别在2016年和2018年在更小的数据集上进行了研究,如下图右下角所示。一个40万亿像素的果蝇大脑的3D重建;右下角分别是谷歌AI在2016和2018年分析的较小数据集。在2018年,谷歌与德国马克斯普朗克神经生物学研究所合作,开发了一种基于深度学习的系统,可以自动映射大脑的神经元。他们对100万立方微米斑胸草雀大脑扫描图像进行了重建。研究人员称,由于成像的高分辨率,即使只有一立方毫米的脑组织,也可以产生超过 1000TB 的数据。因此,这次重建整个果蝇的大脑,可想数据量有多庞大。用于处理数据的,是谷歌的Cloud TPU,而且是数千个!Google AI负责人Jeff Dean也在推特上感叹道:TPU真的会飞!GoogleAI的科学家使用TPU来帮助重建了整个果蝇大脑的神经连接!下面,新智元带来对这一研究的详细解读:40万亿像素果蝇大脑,自动重建!在实验过程中,主要采用的数据集是FAFB,它是“full adult fly brain”(完整成年果蝇大脑)的缩写(相关数据集信息见文末)。研究人员在此数据集上,将果蝇的大脑切成了成千上万个40纳米的超薄切片,而后用透射电子显微镜对每个切片进行成像,这就产生了超过40万亿像素的大脑图像。并且将这些2D图像整合成连贯的3D果蝇大脑图像。接下来,研究人员使用了数千个云TPU,并应用Flood-Filling Network (FFN),以便自动跟踪果蝇大脑中的每个神经元。通过FFN对整个果蝇大脑进行密集分割(dense segmentation)上图中的A是3D渲染的FAFB数据集平滑组织掩膜(smoothed tissue mask)。任意冠状切片(数据集XY平面)显示了整个内部的FAFB-FFN1分割。B-E展示了增加缩放比例后的效果。自动神经元重建与手动神经元跟踪做验证对比虽然这个算法总体运行效果还算不错,但是当对齐(alignment)不够完美(连续切片中的图像内容不稳定)或者偶尔由于在成像过程中丢失了多个连续切片时,性能会有所下降。为了弥补这个这个问题,研究人员便将FFN与两个新程序结合起来。首先,估计出3D图像中各个区域切片之间的一致性,然后在FFN跟踪每个神经元的时候局部稳定图像中的内容。其次,研究人员使用SECGAN来计算图像体积(volume)中缺失的切片,而当使用SECGAN时,研究人员发现FFN能够更可靠地跟踪多个缺失切片的位置。局部调整(Local Realignment,LR)不规则截面的替换整体FAFB-FFN1的分割pipeline Segmentation-assisted神经元跟踪果蝇大脑与Neuroglancer的交互可视化当处理包含数万亿像素和形状复杂的物体的3D图像时,可视化既重要又困难。受谷歌开发新可视化技术的历史启发,研究人员设计了一种可扩展且功能强大的新工具,任何拥有支持WebGL的网页浏览器的人都可以访问。结果就是Neuroglancer,一个在github上的开源项目,可以查看petabyte级3D volume,并支持许多高级功能,如任意轴横截面重构(arbitrary-axis cross-sectional reslicing),多分辨率网格,以及通过与Python集成开发自定义分析workflow的强大功能。该工具已被合作者广泛使用,包括艾伦脑科学研究所、哈佛大学、HHMI、马克斯普朗克研究所(Max Planck Institute)、MIT、普林斯顿大学等。未来工作谷歌表示,HHMI和剑桥大学的合作者已经开始使用这种重建来加速他们对果蝇大脑学习、记忆和感知的研究。然而,由于建立连接组需要识别synapses,因此上述结果还不是真正的connectome。他们正与Janelia Research Campus 的FlyEM团队密切合作,利用“ FIB-SEM ”技术获得的图像,创建一个高度验证且详尽的果蝇大脑的connectome。

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。