关于我们


点我logo.png

郑州点我科技有限公司成立于2014年10月,是一家全球人工智能大数据解决方案提供商!

我们立足中原,服务全球,专注于人工智能领域,为人工智能行业提供数据采集,数据清洗,数据标注,等数据类服务;

同时围绕人工智能提供技术支持,工具开发等服务。

数据采集业务有:图像采集,语音采集,道路采集,文本采集,视频采集等;

数据标注业务有:图片标注,语音标注,文本标注,视频标注,道路标注,行人标注,人脸106点,图像语义分割;

数据标注工具开发定制:矩形框,多边形,圆形,椭圆,折线,点,扣图,OCR,3D框,3D点云等全系列标注工具;

行业应用领域包含:无人驾驶,无人超市,人脸识别,智能家居,智能教育,智能医疗,智能安防,工业,制造业等;

同时我们深度学习大数据分析,大数据处理,语音识别,图像识别,算法新技术,引擎训练,并不断发现和探索智能带给人类的无限可能。


数据标注网属于郑州点我科技旗下人工智能数据标注平台

联系我们:

商务:侯经理

电话:17740401499

邮箱:hjh@dianwokeji.com


推荐文章

编者按:这是创新工场董事长李开复在2019上海世界人工智能大会上的主论坛演讲。   此前对于AI开启的行业赋能,已经被很多次阐释、验证并不断产出成果。   但对于“AI+”的发展路径、逻辑和未来,在李开复之前还没有人有过如此大道至简式的分析。   或许跟李开复的履历和现在密不可分。他是80年代的计算机博士,论文成果就是AI领域的研究,是懂AI的科学家。   他又先后任职微软、谷歌等巨头,完整经历了IT、互联网和移动互联网的演进,是继往开来的产业变迁一线参与者。   现在AI复兴以来,他创办的投资机构创新工场已投资60家AI公司,其中独角兽就有5家。以及思考着作《AI未来》,在中美都成畅销读物,后又被印成多国语言,周游列国AI。   所以这一次“AI+”4时代的思考,更是真正全球视野之下的分析。   参考这个逻辑,或许还能解答另一个问题:   AI公司如何发展?又会往哪里去?   原演讲题为《“AI+”时代的到来》,小标题为后添加:    尊敬的陈市长、王部长,各位嘉宾,今天我要讲的题目是《“AI+”时代的到来》。“互联网+”曾经是一个非常普遍的口号,今天我们要讲的是“AI+”。   “AI+”是什么意思?我们可以看到在过去的每一波浪潮当中,我刚刚从日内瓦回来,和施瓦布教授(达沃斯世界经济论坛发起人)交流,我们看到的是第四次工业革命在过去的蒸汽机、电气化、信息通信技术和互联网基础上,AI将带来第四次工业革命,AI在各种不同行业都有应用。   AI演进4浪潮   在我的书《AI未来》当中,我们描述了四波“AI浪潮”:   AI是数据驱动,海量的数据是AI成功的要素,所以第一波浪潮一定是互联网数据的这一波。   第二波浪潮是金融和很多其他的有标准化产品机会的各种领域,所谓的商业智能化,数据仓库。   第三波浪潮是AI将有眼睛、耳朵还有更多传感器可以听到,感受到人类更多的信息。   第四波浪潮AI将能够动,有手有脚,有轮子,在制造方面,在机器人方面,在无人驾驶方面将带来很大价值。所以它将重塑各个行业。   从互联网进入商业,进入实体世界,进入全自动的智能化,我们可以看到,下面的各个领域几乎涵盖了人类社会的所有的商业领域。所以“AI+”就是把AI赋能到这四波浪潮当中的一个机会。   另外我们学术界朋友谈的一个重要话题就是深度学习是不是走到底了?我们做科研的人是不是该启动新的科研课题?这个答案是肯定的。因为深度学习进入了成熟期,我们在产业界开始使用它,但是在学术界确实需要再发明更多更好的技术。   这个话题的另外一面在于,虽然说我们在学术界要发明更多更好的技术,取代深度学习的技术,但是这是不可预期的,因为科学发明无法预期什么时候发生。但是非常确定的是在工业界和产业界,我们把深度学习发扬光大还有非常大的机会。   一个研究告诉我们,AI在传统行业的渗透率只有4%,如果说我们对比前两次巨大的革命,我们今天的AI的普及状态就和当年的“黄页”是一样的。“黄页”大家都知道吧,马云先生的第一次创业就是“中国黄页”,那个时候互联网普及率就只有4%。   这一方面意味着AI应用还非常少,另一方面意味着,未来发展的机会非常大。虽然我们看到AI在安防等领域有一些落地,但实际上我们只要问周围的企业家朋友,你的公司有没有全面使用AI,我相信96%的回答是“No”。   “AI+”4阶段   如果说从我们投资角度来划分AI的四个时代,我认为分为:AI技术时代、AI B2B时代,AI+传统企业时代、以及 AI 无处不在的时代。   最开始AI是很难的,只掌握在非常优秀的博士手中。慢慢的它越来越好用了,最近在创新工厂我们做了一次培训,仅仅4周的时间,我们招了600个当届的学生,让他们做出了包括无人驾驶、对话机器人等超级应用。这意味着AI门坎在下降,AI技术平台越来越好用,所以AI普及带来了更多工程师,他们可以赋能更多行业,这是驱动的一个重要力量。   回到四个AI的阶段,我们可以和互联网时代对比。   我们记得20多年前,互联网貌似是一个黑科技,当时雅虎等都是让人不可想象的技术,这些技术大家非常快的掌握了,我们开始买Web Server等互联网内部服务器的一些软件。   再下面各个公司就建立了互联网部门,有了互联网专家来帮助公司寻找方向。当时我在微软,我们就建立了一个互联网部门,专门教公司的人怎么切入互联网,但是这个部门很快解散了,因为互联网无处不在。随着技术的普及,一定会从黑科技走向一个无所不在的过程。现在我们正处于第二和第三个阶段中间。   什么是黑科技时代呢?我非常有幸98年在微软中国研究院(现微软亚洲中国研究院),带了一批我的同事们做了中国最早的AI的科研人员。在2005年,又带了一批非常优秀的工程师做了很多好的AI工作。   非常有幸,我在黑科技的时代接触到了很多伟大的公司,包括很多在座的朋友们,当时是一个以科研为主,以博士主导,把AI技术作为切入点,再去寻找商业应用的第一个阶段。   第二个阶段是AI公司开始做2B产品,比如说保险、银行、客服、金融、教育领域能做什么产品,教育产品能卖给学校,金融产品卖给保险公司五世或者银行,包括我们投的第四范式、旷视科技、追一科技、迅策科技等等,他们都是行业的产品的领跑者。   非常有幸,创新工厂投出了60家AI公司,其中有5家独角兽,未来一年还会有3-4家独角兽诞生。这是第二阶段,把AI做成产品,变成2B的应用。   第三个阶段,普华永道认为2030年AI将给全世界带来大约100万亿人民币的GDP提升。在中国,我们看到大约是在200万亿人民币左右,其中40万亿左右是AI赋能达到的,远远超过其他国家。   一方面这是一个巨大的机会,所以要赋能AI的各主要传统行业。但是话说回来了,我们想想今天的AI独角兽,包括我们投的5家,包括今天早上的商汤科技,包括在座的科大讯飞等等的公司,都是很伟大的AI公司,但是这些公司一年就是几十亿的收入,如果说我们在国内要创造50万亿的价值,这绝对不是再去创1万家公司可以带来的。   这些AI公司会继续创造价值,但是更大的价值一定是要把AI价值赋能传统行业,如果说2030年我们是传统行业是近200万亿规模,我们只要在这个基础提升20%、30%、40%,就可以达到50万亿的规模,50万亿的价值一定是来自于AI赋能传统行业,一定不是来自于黑科技,这是一个巨大的差别。   AI赋能传统行业三种模式   AI怎么去赋能传统行业呢?我这里有三种模式。   第一种是优化赋能,也就是说你的公司的所有的运营一点不变,但是我用AI帮助大数据赚更多钱,省更多钱。   第二种模式是流程化赋能,也就是说要改改赋能模式,帮你创造更大价值。   第三种模式是重构颠覆整个产业。   这里我有六个例子来介绍这三个不同的方式:   第一个是BPO的例子。   就是在企业级应用服务当中,我们做了很多外包,简单来说,所有外包给印度的工作都可以外包给AI,现在有一个新技术叫RPA,就是把一个软件放到你的机器上,学你做的事情,过一会儿,10%、20%、30%就不需要人做了,机器就可以做了。   这个对产业的节省成本是巨大的。我们可以看到的一些BPO的例子,包括在财务、法务、人力资源方面节省重复性的白领劳动,可以节省最多91.2%的成本。   另外一个例子就是呼叫中心,用语音识别的技术和最新的语音识别加自然语言处理的技术,可以处理80%打来的客服电话,而且它的客户满意度是超过人可以提供的,这是我们投资的追一科技所做到的。   再讲一下流程的智能化。在零售合作伙伴身上,我们用AI来预测销售,每一个产品在每家商店,每一天可以卖掉多少,它有海量的数据进来,可以做非常精准的预测,降低了它的仓储,对接到它的物流,不但带来了仓储物流节省的钱,人员培训的钱,它的店长都可以AI化,一个公司扩张找店长是非常困难的,店长现在也可以AI化了。   这队对一些零售类的公司应该是上亿的价值。这个我们就可以明显看到AI赋能传统产业带来的价值是超过一个AI公司本身的。   再比如说用AI了解传统数据。左边是用AI来做卫星数据,了解地面上农作物的温度和湿度,预测每年的产量和价钱。各种植物等等。右边的例子是更加精确的用太阳的高度和阴影的强度来预算那些储油罐里面有多少油。这些在没有AI的时候是不能做到的,这些只是冰山的一角,后面还有更多的机会。   下面一个例子就是投资了,我们知道很多投资都是靠人和基金来做的,你去买基金可能有100种选择,1000种选择,但是是千人一面的。而且不是针对你的风险承受能力来定制的。   未来AI基金会有各种收入,刚刚讲到油的收入、农产品的收入,对每个公司的股票可以做精准的预知。对于每个公司今天的士气,一个分析员是不可能做到的,但是如果说我们可以把社交媒体上,每个人属于每个公司,他今天发出来的社交媒体信息是高兴的还是不高兴的,把这个作为一个员工情绪的指数再输给AI,用AI判断这个股票是应该买还是应该卖呢?   这个例子我可以讲一千个例子给你,因为一个基金经理决策只是靠几十个,几百个因素,几千个因素,而AI可以用无限的数据,无限的因素,而且针对千人千面做出更高回报的投资。   美国顶级量化基金有两家,已经达到了600亿美金的规模,已经超过了人的回报。未来这个取代会比人更好,在二级市场股票基金一定会更好,因为它对海量的数据分析能力一定远远超过人。   最后一个更加神奇的例子,制药。   今天的制药是靠化学、生物专家去拍脑袋想一些疑难杂症用什么新方法来治疗,未来我们可以用生成化学的方法,再加上AI自然语言处理和对抗网络去寻找哪些可能的药的新分子是可能可以最快通过动物试验和临床试验的。根据我们初步的看法,对一个药的发明可以加快4倍,整个制药行业也被重构了。   对于一个传统行业,AI赋能价值是巨大的,传统行业面临各种挑战,主要的挑战是AI行业怎么懂AI赋能在哪里,他们怎么去找AI专家?   这一点我们也有我们了想法,创新工厂和我们的子公司创新奇智现在对8个领域提出解决方案,这些专家怎么介入呢?我们希望扮演的角色不只是VC投资公司,我们希望成为传统企业的首席AI官,我们会进来帮助每个传统企业分析在你各个部门里面,哪一个部门用AI可以产生最大价值。   我们会把技术卖给你,或者是把技术送给你,连源代码,甚至派人进来,就和传统的咨询顾问一样。咨询顾问按照小时收费,我们不用收费,我们直接进去投资你这个公司,所以我们投黑科技公司,投2B公司,下面我们准备投传统公司,用AI力量来为他们赋能。   总结   所以今天我的演讲是分三个重点。   第一个是AI会影响所有行业,尤其是传统行。   第二,只有那些拥抱AI的传统行业才能得到最大的增长。   最后,中国的传统行业某些领域还不是领先世界的,但是反而有可以弯道超车的机会,因为他同时做到IT化、数据化和AI化,这一定会帮我们带来2030年的50万亿的价值。

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。