正文 第591章 前无古人的决策
在别人还把数据当废料的时候,他知道这是未来十年最稀缺的矿产资源。
于是经过一番考虑,周明远决定放弃做算法研发之类的东西。
自己搞一个数据标注工厂。
为什么不做正统算法?
要知道,2015年做算法,绝对不是件容易事。
这方面的刚需,是至少招到一批深度学习方向的博士。 而这些人呢?
要么在谷歌微软百度,要么在高校实验室,没有人会加入一个没有任何ai背景的初创公司。
这压根不是钱的问题。
人家看重的是平台和同行的认可,钱有时候排不到第一。
可周明远选择的方向就不太一样。
数据标注不需要博士,不需要论文,不需要顶级学术背景。
它需要的是管理能力、成本控制能力和对数据质量的极致追求。
还真别说,这三样恰好是他最擅长的。
而且最关键的是,2015年的ai行业还在拼模型结构创新,绝大多数从业者还没有意识到一个事实。
数据质量比模型结构更重要。
几年后等大家都反应过来的时候,先行者就能用规模和管理形成护城河,把成本压到后来者无法跟进的程度。
这就是周明远的先机。 「好好好,就算能赚钱,可是老板!你说的这个……数据标注,它和ai有什么关系啊?」
贺敏依旧保持著一脸疑惑的神情,自顾自抿了口咖啡,坐在周明远对面,托著下颌认真聆听。
「这个东西啊,听起来很低端,实际上它是ai产业链最上游的石油。」
周明远耐心解释道。
没办法。
两世为人的视野和认知,对于手下的小助理而言还是太过超前了。
不好好科普外加一通势大力沉洗脑的话,这个活还真没法推进。
「任何深度学习模型的训练都依赖于高质量标注数据,而标注数据的生产成本和质量控制,是一个极其复杂的系统工程。」
男人摊开双手,开始给贺敏一个一个举例。
「iage有1400万张标注图片,背后是亚马逊chanical turk上数万名众包工人的劳动;谷歌翻译能支持上百种语言,是因为它用了海量的人工翻译数据做训练。」
「懂我意思吗?」
「通用领域的标注市场竞争会越来越激烈,真正的壁垒在于垂直领域的深度标注。」 「现在是网际网路时代,你知道最容易被人忽视的需求是什么吗?」
「呃……我不知道。」
贺敏眨了眨眼睛,老老实实回答。
「中文语料。」
周明远伸手点了点小助理额头,继续科普。
「英文有维基百科、on crawl、斯坦福的squad数据集,中文呢?」
「中文的维基百科条目只有英文的零头,中文的自然语言处理数据集几乎空白。」
「这意味著什么?」
「……意味著什么呢?」
贺敏傻乎乎的跟著重复一遍,可可爱爱。
「如果有人从现在开始系统性地积累高质量的中文语料,未来做中文大模型的时候,所有团队都需要这些数据。」
「哇……听起来还挺厉害。」 女孩子往往难以沉浸在宏大叙事和星辰大海里面。
贺敏也是一样,只能摆出一副不明觉厉的样子。
「不仅如此,做这个不是我们的终点,等我们年营收过亿的时候,还可以是融资手段。」
短短一晚上思考之后,周明远已然胸有成竹。
他心里明白,等到2016年就好。
明年会有一个ai历史上的标志性事件。
alphago击败李世石之后,全球ai投资会进入狂热期。
到那时候,一家靠数据标注年营收过亿,拥有上千名全职标注员、服务几十家头部公司的数据标注企业……
融资估值只会比纯算法公司更健康。
「年营收过亿?」
「啊?」
「老板你认真的吗?」 前面都还好,就当是自家老板的一时心血来潮。
可听到这里,贺敏直接惊呆了。
「认真的啊。」
「这个工作,跟短视频公司有著很紧密的直接关系。」
周明远翘起二郎腿,单手撑著面颊,另外一只手解锁手机,把屏幕朝向贺敏。
「是吗?」
总算听到自己了解一点的领域了。
贺敏坐直了身子,提高声音。
「数据标注是短视频平台最核心的基础设施之一。」
「短视频平台需要什么样的数据标注?推荐算法最核心的任务是给每个用户打上精准的标签,然后匹配ta最可能喜欢的内容。」
「那你说标签怎么来?」
「这些其实不是算法自己想出来的,是海量的标注数据训练出来的。」 「比如你刷短视频平台的时候看到一个视频,停留了三秒划走了,系统记录了一次弱兴趣;你又刷到一个视频,点赞收藏加转发,系统记录强兴趣。」
「这些行为本身就是一种标注,但你记住,这叫做被动标注,效率低,噪声大。」
「主动标注是平台自己请人看视频、打标签、写描述、分类、去重、筛选敏感内容。」
「到了平台发展的后期,每个视频的标签体系极其复杂。」
「场景类(室内/户外/夜晚/雨天)、人物类(年龄、性别、颜值、著装风格)、情绪类(搞笑/治愈/励志/伤感)、动作类(跳舞/做饭/化妆/健身)、音乐类(bg识别、卡点节奏)……」
「这些标签不是用户行为能自动产生的,是靠专业标注员一条一条标注出来的数据,再用这些数据训练内容理解模型。」
「等到模型能
于是经过一番考虑,周明远决定放弃做算法研发之类的东西。
自己搞一个数据标注工厂。
为什么不做正统算法?
要知道,2015年做算法,绝对不是件容易事。
这方面的刚需,是至少招到一批深度学习方向的博士。 而这些人呢?
要么在谷歌微软百度,要么在高校实验室,没有人会加入一个没有任何ai背景的初创公司。
这压根不是钱的问题。
人家看重的是平台和同行的认可,钱有时候排不到第一。
可周明远选择的方向就不太一样。
数据标注不需要博士,不需要论文,不需要顶级学术背景。
它需要的是管理能力、成本控制能力和对数据质量的极致追求。
还真别说,这三样恰好是他最擅长的。
而且最关键的是,2015年的ai行业还在拼模型结构创新,绝大多数从业者还没有意识到一个事实。
数据质量比模型结构更重要。
几年后等大家都反应过来的时候,先行者就能用规模和管理形成护城河,把成本压到后来者无法跟进的程度。
这就是周明远的先机。 「好好好,就算能赚钱,可是老板!你说的这个……数据标注,它和ai有什么关系啊?」
贺敏依旧保持著一脸疑惑的神情,自顾自抿了口咖啡,坐在周明远对面,托著下颌认真聆听。
「这个东西啊,听起来很低端,实际上它是ai产业链最上游的石油。」
周明远耐心解释道。
没办法。
两世为人的视野和认知,对于手下的小助理而言还是太过超前了。
不好好科普外加一通势大力沉洗脑的话,这个活还真没法推进。
「任何深度学习模型的训练都依赖于高质量标注数据,而标注数据的生产成本和质量控制,是一个极其复杂的系统工程。」
男人摊开双手,开始给贺敏一个一个举例。
「iage有1400万张标注图片,背后是亚马逊chanical turk上数万名众包工人的劳动;谷歌翻译能支持上百种语言,是因为它用了海量的人工翻译数据做训练。」
「懂我意思吗?」
「通用领域的标注市场竞争会越来越激烈,真正的壁垒在于垂直领域的深度标注。」 「现在是网际网路时代,你知道最容易被人忽视的需求是什么吗?」
「呃……我不知道。」
贺敏眨了眨眼睛,老老实实回答。
「中文语料。」
周明远伸手点了点小助理额头,继续科普。
「英文有维基百科、on crawl、斯坦福的squad数据集,中文呢?」
「中文的维基百科条目只有英文的零头,中文的自然语言处理数据集几乎空白。」
「这意味著什么?」
「……意味著什么呢?」
贺敏傻乎乎的跟著重复一遍,可可爱爱。
「如果有人从现在开始系统性地积累高质量的中文语料,未来做中文大模型的时候,所有团队都需要这些数据。」
「哇……听起来还挺厉害。」 女孩子往往难以沉浸在宏大叙事和星辰大海里面。
贺敏也是一样,只能摆出一副不明觉厉的样子。
「不仅如此,做这个不是我们的终点,等我们年营收过亿的时候,还可以是融资手段。」
短短一晚上思考之后,周明远已然胸有成竹。
他心里明白,等到2016年就好。
明年会有一个ai历史上的标志性事件。
alphago击败李世石之后,全球ai投资会进入狂热期。
到那时候,一家靠数据标注年营收过亿,拥有上千名全职标注员、服务几十家头部公司的数据标注企业……
融资估值只会比纯算法公司更健康。
「年营收过亿?」
「啊?」
「老板你认真的吗?」 前面都还好,就当是自家老板的一时心血来潮。
可听到这里,贺敏直接惊呆了。
「认真的啊。」
「这个工作,跟短视频公司有著很紧密的直接关系。」
周明远翘起二郎腿,单手撑著面颊,另外一只手解锁手机,把屏幕朝向贺敏。
「是吗?」
总算听到自己了解一点的领域了。
贺敏坐直了身子,提高声音。
「数据标注是短视频平台最核心的基础设施之一。」
「短视频平台需要什么样的数据标注?推荐算法最核心的任务是给每个用户打上精准的标签,然后匹配ta最可能喜欢的内容。」
「那你说标签怎么来?」
「这些其实不是算法自己想出来的,是海量的标注数据训练出来的。」 「比如你刷短视频平台的时候看到一个视频,停留了三秒划走了,系统记录了一次弱兴趣;你又刷到一个视频,点赞收藏加转发,系统记录强兴趣。」
「这些行为本身就是一种标注,但你记住,这叫做被动标注,效率低,噪声大。」
「主动标注是平台自己请人看视频、打标签、写描述、分类、去重、筛选敏感内容。」
「到了平台发展的后期,每个视频的标签体系极其复杂。」
「场景类(室内/户外/夜晚/雨天)、人物类(年龄、性别、颜值、著装风格)、情绪类(搞笑/治愈/励志/伤感)、动作类(跳舞/做饭/化妆/健身)、音乐类(bg识别、卡点节奏)……」
「这些标签不是用户行为能自动产生的,是靠专业标注员一条一条标注出来的数据,再用这些数据训练内容理解模型。」
「等到模型能
本章未完,点击下一页继续阅读
(2/3)