算法、算力和數(shù)據(jù)共同構(gòu)成了AI產(chǎn)業(yè)鏈技術(shù)發(fā)展的三大核心要素。在人工智能行業(yè)發(fā)展進(jìn)程中，有監(jiān)督的深度學(xué)習(xí)算法是推動(dòng)人工智能技術(shù)取得突破性發(fā)展的關(guān)鍵技術(shù)理論，而大量訓(xùn)練數(shù)據(jù)的支撐則是有監(jiān)督的深度學(xué)習(xí)算法實(shí)現(xiàn)的基礎(chǔ)，高質(zhì)量、大規(guī)模、多樣性的AI訓(xùn)練數(shù)據(jù)集已成為算法模型發(fā)展和演進(jìn)的“燃料”。

算法模型從技術(shù)理論到應(yīng)用實(shí)踐的落地過(guò)程皆依賴(lài)于大量的訓(xùn)練數(shù)據(jù)，2012-2016年期間，人工智能行業(yè)不斷優(yōu)化算法增加深度神經(jīng)網(wǎng)絡(luò)層級(jí)，利用大量的AI訓(xùn)練數(shù)據(jù)集提高算法精準(zhǔn)性，ImageNet數(shù)據(jù)集的超過(guò)1,400萬(wàn)張訓(xùn)練圖片和1,000余種分類(lèi)便在其中起到重要作用。

然而，從自然數(shù)據(jù)源簡(jiǎn)單收集取得的原料數(shù)據(jù)并不能直接用于有監(jiān)督的深度學(xué)習(xí)算法訓(xùn)練，必須經(jīng)過(guò)專(zhuān)業(yè)化的采集、加工，形成相應(yīng)的工程化AI訓(xùn)練數(shù)據(jù)集后才能供深度學(xué)習(xí)算法等訓(xùn)練使用。目前，應(yīng)用有監(jiān)督學(xué)習(xí)的算法對(duì)于AI訓(xùn)練數(shù)據(jù)集的需求遠(yuǎn)大于現(xiàn)有的標(biāo)注效率和投入預(yù)算，基礎(chǔ)數(shù)據(jù)服務(wù)將持續(xù)釋放其對(duì)于算法模型的基礎(chǔ)支撐價(jià)值。

AI產(chǎn)業(yè)對(duì)AI訓(xùn)練數(shù)據(jù)集的持續(xù)性需求一直存在

AI產(chǎn)業(yè)對(duì)訓(xùn)練數(shù)據(jù)的需求主要來(lái)源于成熟算法模型的拓展性需求和新生算法模型的前瞻性需求。在成熟的拓展性需求方面，MckinseyGlobalInstitute的研究報(bào)告表明：

深度學(xué)習(xí)模型對(duì)訓(xùn)練數(shù)據(jù)的數(shù)據(jù)量、多樣性和更新速度方面提出較高要求。為充分發(fā)揮技術(shù)潛能，深度學(xué)習(xí)模型需要海量且涵蓋圖像、視頻及語(yǔ)音在內(nèi)等多種類(lèi)型的訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練。此外，人工智能技術(shù)要求算法模型根據(jù)潛在的應(yīng)用場(chǎng)景變化而持續(xù)更新，因此，算法模型所使用的訓(xùn)練數(shù)據(jù)亦需要定期更新。具體而言，約1/3的算法模型每月至少更新一次，約1/4的算法模型每日至少更新一次，算法模型持續(xù)更新的特點(diǎn)將進(jìn)一步拓展各領(lǐng)域AI訓(xùn)練數(shù)據(jù)集的需求空間。

而在新生的前瞻性需求方面，隨著人工智能商業(yè)化進(jìn)程的演進(jìn)，新興應(yīng)用場(chǎng)景如智聯(lián)網(wǎng)AIoT、AIPaaS、產(chǎn)業(yè)互聯(lián)網(wǎng)等將展現(xiàn)出巨大的發(fā)展?jié)摿?，并逐步促進(jìn)AI技術(shù)和算法模型的優(yōu)化和創(chuàng)新。因此，在創(chuàng)新應(yīng)用場(chǎng)景和新型算法的帶動(dòng)下，具有前瞻性的訓(xùn)練數(shù)據(jù)產(chǎn)品和高定制化的AI訓(xùn)練數(shù)據(jù)集服務(wù)需求將逐步成為主流。

標(biāo)貝科技基礎(chǔ)數(shù)據(jù)服務(wù)行業(yè)深耕多年，始終秉承基礎(chǔ)研究與實(shí)際應(yīng)用緊密結(jié)合的原則，持續(xù)開(kāi)展基礎(chǔ)研發(fā)等研究創(chuàng)新工作。https://www.data-baker.com