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)踐的落地過程皆依賴于大量的訓(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，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1,400萬張訓(xùn)練圖片和1,000余種分類便在其中起到重要作用。

然而，從自然數(shù)據(jù)源簡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)過專業(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)釋放其對于算法模型的基礎(chǔ)支撐價值。

AI產(chǎn)業(yè)對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)對訓(xùn)練數(shù)據(jù)的需求主要來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的研究報告表明：

深度學(xué)習(xí)模型對訓(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、視頻及語音在內(nèi)等多種類型的訓(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)用場景和新型算法的帶動下，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)開展基礎(chǔ)研發(fā)等研究創(chuàng)新工作。https://www.data-baker.com