富智康集团(02038.HK)

击碎数据标注五大误解,这门生意真不是你想象的“富士康” | 钛媒体深度

时间:20-09-29 18:37    来源:钛媒体

图片来源@Unsplash

图片来源@Unsplash

“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。

数据标注公司投融资情况来源于天眼查以及公开资料

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

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

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。

智能语义分割(来源:倍赛数据)

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。”

(本文首发钛媒体App,作者 | 芦依,编辑 | 赵宇航)