数据标注「星尘数据」获数百万元天使轮投资

公司8月获得天使轮投资,由天使湾领投,英诺天使、老鹰基金和创势基金跟投。




Tractica预测,2024年人工智能市场规模将增长至111亿美元。但AI要真正发挥作用,优质的数据必不可少,正如业界共识“大量数据+普通模型”比“普通数据+高级模型”的准确度更高。所以,前端的数据采集、加工环节单拎出来成为了新的机会点。

其实,数据标注并不算一个完全新兴的产业。成立于1998年的“海天瑞声”已在语音领域耕耘近20年,因为人工智能一词的提出,最早可以追溯到20世纪50年代,不过此前主流技术没有到“深度学习”的阶段,所以数据用的相对较少。目前这个赛道上,成立久的有“数据堂”,早期公司有获得明势资本Pre-A轮融资的“爱数智慧”,完成天使轮融资的“泛涵科技”,获得合力投资数百万天使的“丁火智能”,获金沙江领投的“龙猫数据”自营数据工场的BasicFinder等。


星尘数据”也是赛道上一员,平台上聚集了2万多名大学生,通过众包方式提供数据标注服务。比如,在文本场景中,标注特定词语之间的关联关系,可以训练机器理解用户评论,也就是常说的语义识别。又比如,地产场景中,人工标注户型结构。再比如,生物医学场景中,需要人工标注人眼虹膜。

最前端,“星尘数据”根据客户的挖掘需求提供咨询服务、优化方案。之后的标注任务,在星尘自研发的“stardust”系统中完成,平台上有客户提供的数据和标注模型,任务会被切割分配给每个C端,形成“动态发题”,通过“准入考核”的C端才能认领答题。过程中,“stardust”系统会辅助标记。例如,正常的图像识别训练,需要人工一点点贴边抠图,比较费时,而stardust系统中,人工只需要标注出绿色的正区间和红色的负区间,系统就能自动抠图(如下图)。再例如,语音识别时,系统可以先自动转换一部分文字,来降低人的工作量。

我们知道,数据标记是个重人力的劳动密集型行业,这类公司的关键点就在于——人员效率、交付质量

stardust”系统便是星尘数据的主要差异点,背后离不开算法的支撑。星尘团队也都是算法出身,创始人兼CEO章磊曾在世界银行、华尔街、硅谷工作8年,涉及金融、保险、数据、量化、风险模型、人工智能等方向,在硅谷开发了世界首款股权投资机器人,在北京担任首席数据科学家。联合创始人董磊曾工作于百度人工智能实验室(前吴恩达团队),从事基于移动端数据的分析与建模工作。

目前,通过“stardust”系统,人的工作量在80%,机器的工作量在20%,这个比例还在不断优化中,未来机器可能占到80%。

在36氪之前的文章中有创业者表示不会用机器标注替代人工,“因为人工标记的数据在误差层面符合正态分布,而机器标记的都是同一水平,用机器生产的数据再训练机器,并不利于AI最后的训练效果。”以及,理论上,下游的应用公司算法更强,若用算法进行抠图,企业客户为什么不自己标注


对此,章磊认为,人工标注确实会有偏差,但这种偏差并不会有助于机器训练。准确答案只有一个,星尘可以通过算法机制保证输出正确结果,目前的准确率在99%。并且,下游应用公司的最终模型和标注时需要的模型还是不一样的,星尘的模型是用来提高效率的

还有个普遍的问题就是有关数据安全和复用,这方面星尘跟硅谷数据安全公司合作,用加密技术在数据底层做隔离,分离数据使用权和拥有权,防止数据在众包过程中泄漏。由于每个公司对数据的要求不一样,只有在一些通用的逻辑中,数据才有可能复用,比如智能客服,所以星尘基本不会留存数据,除非客户有售卖的特殊需求。

至于收费,星尘主要根据数据标注量和难度来报价,平均客单价在3-5万元以上,大客户甚至到百万级别。目前公司已经服务了10家左右客户,3-5万的单子耗时不超过1周。


章磊分享,数据的需求贯穿AI公司的各阶段,占公司支出10%-20%左右,像商汤科技就在用300人的团队标记几千万的人脸图片。现有的国内外标注营收估计在30亿人民币,预计3年后达到100亿。


不过,对于这一波因为深度学习而兴起的数据服务商来说,最大的潜在威胁很可能并非来自竞品,而是来自于增强学习、迁移学习等算法,后者仅需要少量的数据即可以达到一定的效果。章磊认为,迁移学习等确实是将来的趋势,就单个模型来说,积累越久,数据需求量肯定会越少,但对于新模型来说,前期的需求量不会少,而模型是在增加的,所以对于“数据标注”这个正处在上升期的行业,暂时不会有明显影响。





据悉,“星尘数据”公司在今年5月份注册,8月获得数百万元的天使轮投资,由天使湾领投,英诺天使、老鹰基金和创势基金跟投。团队目前在10人左右,还在扩招中(Python工程师岗位,高级销售经理岗位,高级市场经理岗位),如果你也对该公司感兴趣,可以投递简历至liaijun@stardust.ai

本文来自36氪




推荐文章

人工智能行业研究报告围涵盖AI基础技术及终端产品研究范围:人工智能是一门综合了计算机科学、生理学、哲学的交叉学科。凡是使用机器代替人类实现认知、识别、分析、决策等功能,均可认为使用了人工智能技术。作为一种基础技术,人工智能在很多行业都有用武之地。既有人工智能+基础行业的概念(如人工智能+金融=Fintech),也有其具体应用行业的概念(比如机器人)。按照技术应用的不同场景,可以将人工智能分为基础技术类及终端产品类,本报告研究范围涵盖以下领域:研究目的:本报告将集中探讨:„ 人工智能行业整体的发展现状与技术发展趋势„ 各细分领域投融资热度与技术成熟度„ 巨头在人工智能领域的布局与策略„ 各应用领域市场规模、竞争格局、进入壁垒、产业链上下游构成„ 行业标杆的商业模式、核心竞争力、未来发展预期目 录 Contents一、人工智能行业驱动力1. 行业驱动——数据量、运算力、算法技术2. 政策法规3. 投资热度国际投资热度分析国内投资热度分析国内公司运营数据分析二、人工智能产业链与巨头布局分析1. 产业链构成2. 巨头布局开源平台布局芯片布局技术布局一、人工智能行业概述三、人工智能基础应用介绍与典型公司分析1. 语音识别2. 语义识别3. 计算机视觉目 录 Contents五、人工智能在各行业的应用介绍与典型公司分析1. 机器人2. AI+金融3. AI+医疗4. AI+安防5. AI+家居六、人工智能芯片介绍与典型公司分析六、人工智能行业趋势展望1. 人工智能各行业综述2. 人工智能当前发展瓶颈四、人工智能芯片介绍与典型公司分析1. 人工智能芯片适用性分析GPUFPGAASIC2. 人工智能芯片产业链分析3. 人工智能芯片典型公司分析人工智能行业概述CHAPTER 1 • 行业驱动——数据量、运算力、算法技术• 政策法规• 投资热度国际投资热度分析国内投资热度分析国内公司运营数据分析636Kr-人工智能行业研究报告2017年2月数据量、运算力和算法模型是影响人工智能行业发展的三大要素。2000年之后,数据量的上涨、运算力的提升和深度学习算法的出现极大的促进了人工智能行业的发展。• 海量数据为人工智能发展提供燃料要理解数据量的重要性,得先从算法说起。数据量和算法可以分别比作人工智能的燃料和发动机。算法是计算机基于所训练的数据集归纳出的识别逻辑,好的算法模型可以实现精准的物体和场景识别。数据集的丰富性和大规模性对算法训练尤为重要。因此可以说,实现机器精准视觉识别的第一步,就是获取海量而优质的应用场景数据。以人脸识别为例,训练该算法模型的图片数据量至少应为百万级别。2000年以来,得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生并存储的数据量急剧增加,这为通过深度学习的方法来训练计算机视觉技术提供很好的土壤。IDC数据显示,从2011年起,全球所产生的数据量已达到ZB级别(1ZB约为10亿GB ),海量的数据将为计算机视觉算法模型提供远远不断的素材。而关于数据量对提高算法准确率方面的重要性,更有学者提出:“It’s not who has the best algorithm that wins. It’s who has the most data. ”行业驱动力 · 数据量海量数据为人工智能发展提供燃料大数据训练模型 应用于具体场景算法模型 场景应用01020304050来源:IDC,36氪研究院2020数据量与准确率之间的关系 2009-2020年全球总体数据量(单位:ZB)20090%10%20%30%40%50%60%70%80%90%100%100 200 300 400 500 600 700 800 900 1000测试字符数量Window Memory-BasedPerceptron Naïve Bayes说明:window、memory-based、perceptron、naive bayes 均为不同算法来源:Stanford机器学习公开课,36氪研究院1.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析准确率736Kr-人工智能行业研究报告2017年2月人工智能领域是一个数据密集的领域,传统的数据处理技术难以满足高强度、大数据的处理需求。 AI芯片的出现让大规模的数据效率大大提升,加速了深层神经网络的训练迭代速度,极大的促进了人工智能行业的发展。AI算法的处理需要大量的矩阵计算操作,因此特别适合使用并行运算芯片进行数据处理。而传统的CPU一次只能同时做一两个加减法运算,无法满足并行运算的需求。目前,出现了GPU、NPU、FPGA和各种各样的AI-PU专用芯片。而其中, 出现最早的GPU为人工智能的发展做出了巨大的贡献。擅长并行计算的GPU大幅提升机器学习效率。在GPU出现之前,算法运行的速度是很慢的,即使是一个简单的神经网络数据的培训,也得花费几天、甚至几周的时间。 1999 年,Nvidia 公司在推销Geforce 256 芯片时,提出了GPU( 图像处理器) 概念。GPU是专为执行复杂的数学和集合计算而设计的数据处理芯片。它的出现让并行计算成为可能,对数据处理规模、数据运算速度带来了指数级的增长,极大的促进人工智能行业,尤其计算机视觉领域的发展。GPU与传统CPU相比,在处理海量数据方面有压倒性的优势。 据Rajat Raina 与吴恩达的合作论文 “用 GPU 进行大规模无监督深度学习” 显示,在运行大规模无监督深度学习模型时,使用 GPU 和使用传统双核 CPU 在运算速度上的差距最大会达到近七十倍。在一个四层,一亿个参数的深度学习网络上,使用 GPU 将程序运行时间从几周降低到一天。今天,数据处理速度不再成为制约计算机视觉发展的主要瓶颈。想要发挥专用芯片的计算优势,需要芯片结构和软件算法两者相匹配。目前的趋势是,随着对人工智能各类应用需求的不断增强,专门用于加速人工智能应用的AI-PU或将成为计算机另一个标配组件。行业驱动 · 运算力运算力的提升大幅推动人工智能发展世界上第一款GPU-GeForce 256 中科寒武纪即将投产的 “寒武纪”NPU Altera的高端FPGA 产品 Stratix 101.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析836Kr-人工智能行业研究报告2017年2月在深度学习出现之前,机器学习领域的主流是各种浅层学习算法,如神经网络的反响传播算法(BP算法)、支撑向量机(SVM)、Boosting、Logistic Regression等。这些算法的局限性在于对有限样本和计算单元的情况下对复杂函数的表示能力有限,对复杂数据的处理受到制约。以计算机视觉为例,作为一个数据复杂的领域,浅层学习算法的识别准确率并不高。该类识别原理多为通过寻找合适的特征来让机器辨识物品状态,由于这个处理逻辑是浅层的,不能穷举各种复杂的情境,因而算法拟合的准确率不高。深度学习突破人工智能算法瓶颈。2006年,Geoffrey Hinton 和合作者发表论文,“A fast algorithm for deep belief nets”,此后“Deep Learning(深度学习)”的概念被提出。以计算机视觉为例,深度学习出现之前,基于寻找合适的特征来让机器辨识物体状态的方式几乎代表了计算机视觉的全部。尽管对多层神经网络的探索已经存在,然而实践效果并不好。深度学习出现之后,计算机视觉的主要识别方式发生重大转变,自学习状态成为视觉识别主流。即,机器从海量数据库里自行归纳物体特征,然后按照该特征规律识别物体。图像识别的精准度也得到极大的提升,从70%+提升到95%。在短短几年时间里,深度学习颠覆了语音识别、语义理解、计算机视觉等基础应用领域的算法设计思路,逐渐形成了从一类训练数据出发,经过一个端到端的模型,直接输出最终结果的一种模式。由于深度学习是根据提供给它的大量的实际行为(训练数据集)来自我调整规则中的参数,进而调整规则,因此在和训练数据集类似的场景下,可以做出一些很准确的判断。行业驱动力 · 算法深度学习突破人工智能算法瓶颈72.00% 74.50%84.70%89.00%93.00% 95.00%60%70%80%90%100%2010 2011 2012 2013 2014 20152010-2015年 ImageNet 比赛图像识别准确率注释:ImageNet是计算机视觉系统识别项目。来源:36氪研究院过去 现在 未来Google translate语义识别准确率60%83.4% …注释:Google translate是语义识别项目。来源:36氪研究院1.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析936Kr-人工智能行业研究报告2017年2月 • 其他国家人工智能相关政策各国均在政策层面强调和推动人工智能的发展。其中,美国侧重于研发新型脑研究技术;欧盟主攻以超级计算机技术来模拟脑功能;日本则聚焦以动物为模型研究各种脑功能和脑疾病的机理。政策法规 · 国外政策加码,人工智能发展如火如荼国家 相关措施美国• 2013 年4 月,美国正式公布“推进创新神经技术脑研究计划”(BRAIN)。得到政府拨款1.1 亿美元,覆盖美国国家卫生研究院(HIN)、国防部高级研究项目局、国家科学基金会。• 2014 年HIN 小组制定了未来十年详细计划,预计每年投入3-5 亿美元开发用于监测和映射大脑活动和结构的新工具,十年计划共花费45 亿美元。欧盟2013 年初,欧盟宣布了未来十年的“新兴旗舰技术项目”——人脑计划(HBP),该项目汇聚了来自24 个国家的112 家企业、研究所和高校等机构,总投资预计将达到12 亿欧元。计划在2018 年前开发出第一个具有意识和智能的人造大脑.日本2014 年9 月启动大脑研究计划Brain/MINDS。该计划为期10 年,由日本理化学研究所主导实施,旨在理解大脑如何工作以及通过建立动物模型,研究大脑神经回路技术,从而更好地诊断以及治疗大脑疾病。来源:36氪研究院1.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1036Kr-人工智能行业研究报告2017年2月 • 国内人工智能相关政策国内近几年也出台了相关扶植人工智能发展的政策,积极推动人工智能在各个细分领域的渗透。2016年5月,国家四部委更是颁布《 “互联网+”人工智能三年行动实施方案》,明确提出要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平。政策法规 · 国内政策加码,人工智能发展如火如荼实施时间 颁布主体 法律法规 相关内容2015.5 国务院 《中国制造2025》提出“加快发展智能制造装备和产品”,指出“组织研发具有深度感知、智慧决策、自动执行功能的高档数控机床、工业机器人、增材制造装备等智能制造装备以及智能化生产线,统筹布局和推动智能交通工具、智能工程机械、服务机器人、智能家电、智能照明电器、可穿戴设备等产品研发和产业化。”2015/7/4 国务院《国务院关于积极推进“互联网+”行动的指导意见》明确提出人工智能作为11个重点布局的领域之一,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。2015/7/9 中央办公厅、国务院《关于加强社会治安防控体系建设的意见》加大公共安全视频监控覆盖,将社会治安防控信息化纳入智慧城市建设总体规划,加深大数据、云计算和智能传感等新技术的应用。2016.1 国务院 《“十三五”国家科技创新规划》智能制造和机器人成为“科技创新-2030 项目”重大工程之一。2016/3/18 国务院《国民经济和社会发展第十三个五年规划纲要(草案)》人工智能概念进入“十三五”重大工程。2016/5/18国家发展改革委、科技部、工业和信息化部、中央网信办 《“互联网+”人工智能三年行动实施方案》明确了要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平,并且政府将在资金、标准体系、知识产权、人才培养、国际合作、组织实施等方面进行保障。1.1行业驱动---数据量运算力算法技术1.2 政策法规1.3 投资热度全球投资热度国内投资热度国内公司运营数据分析1136Kr-人工智能行业研究报告2017年2月 • 融资规模与成立公司数量总览咨询公司Venture Scanner统计,截止2016年Q2,全球人工智能公司已突破1000家,跨越13个子门类,融资金额高达48亿美元。而人工智能创投金额在5年间增长了12倍。投资热度 · 全球全球AI领域融资金额5年增长12倍62 96 66 68 64 138 125 102 186 283 211 141 321 555 394 942 769 398 911 485 6361,04911211322 2038 37 38 43 50634770 77 84 809284120100134

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。