人工智能大火，BasicFinder要做數據采集、加工的“送水人”
眼前的女員工，正把手寫體的古德文轉錄為印刷體字母，經過培訓，她已經可以熟練操作，每秒鐘至少轉換1個字母，要知道，即便是在德國，完全認識這種古老字體的人也寥寥無幾。之后，轉錄出的文字會發給OCR（OpticalCharacterRecognition，光學字符識別）公司，做為機器訓練的數據材料。
另一邊，員工在標記圖片中汽車的可行駛區域，之后會用于無人駕駛場景的訓練。
就像傳統工廠一樣，數據正在流水線上處理，被分塊加工。這一切都源于人工智能行業的崛起。Tractica預測，2024年人工智能市場規模將增長至111億美元。但AI要真正發揮作用，優質的數據必不可少，所以，前端的數據采集、加工環節單拎出來成為了新的機會點。
其實，數據標注并不算一個完全新興的產業，成立于1998年的海天瑞聲已在語音領域耕耘近20年，因為人工智能一詞的提出，最早可以追溯到20世紀50年代，不過此前主流技術沒有到深度學習的階段，所以數據用的相對較少。目前這個賽道上，成立久的有數據堂，早期公司有獲得明勢資本Pre-A輪融資的愛數智慧，完成天使輪融資的泛涵科技，獲得合力投資數百萬天使的丁火智能，今天要講的BasicFinder也是賽道上一員。
正如上面的場景，數據標記是個重人力的勞動密集型行業。這類公司的關鍵點就在于人員效率、交付質量。
市面上很多公司都采用眾包模式，找人兼職做標記，亞馬遜每天會發布任務給墨西哥以及印度兼職人員，但很多高精度工作是不適合眾包的。BasicFinder創始人杜霖告知，BasicFinder采用的是自營模式，目前擁有12家下轄數據工廠及2000余名數據操作員，為了保證質量，這些數據工廠有些是參與投資，有些是深度合作，操作員大多是經過培訓的打字員，她們技能相對匹配、標記效率又高。杜霖補充，若是音頻數據，BasicFinder會挑選聽力較好的技術員，篩選通過率僅在30%。
具體到標記過程，BasicFinder都是流水線式的，從最前端的任務定義、采集數據，到中間的清洗、加工，以及后端的質量檢測、訓練迭代等全部環節分開作業，并開發了一套系統輔助人工提高效率。
舉幾個例子，拿視頻標記骨骼來說，系統首先將視頻的每幀切成畫面，然后把沒有人或者身體不全的畫面去掉，這就完成了清洗過程。接下來，工人打點標記，若圖中人物較多，系統會分割后派給不同標記員，以防單人作業眼花標亂。再比如，無人便利店的項目要求是框出商品，BasicFinder系統會提供輔助線幫人工標記，比無線情況下，至少提升1倍的效率。
加工完的數據，還面臨一道不可缺少的步驟就是校驗。相對而言，這是不能標準化的事情，BasicFinder目前用人工復查，跟標記的耗時相比，在1:11:3之間。
最后就是安全層面，杜霖告知，對于客戶提供的數據素材，BasicFinder實行交付即焚，保證數據不會復用。若企業有非常嚴格的需求，BasicFinder還提供隔離標記房，數據不會經過BasicFinder服務器，并且房內有監控，客戶可隨時查看員工作業過程，以及每一臺設備的標記情況。
不僅如此，在前端的采集，BasicFinder也不主張數據復用。在人臉識別場景中，批量購買超市等攝像頭的數據成本很低，但有法律風險，工業機器人維修，其實侵犯了個人肖像權，BasicFinder的解決方案是，跟每一個員工或者被采集人簽訂授權協議，即便有公司提出同樣的需求，我們會用同樣的方法再采集一遍，也不會私下復用。杜霖強調，庫卡機器人驅動器維修，BasicFinder的定位不是數據買賣公司，而是在加工的質量上。
當然，對于一些公開的數據集，比如說景物的識別，BasicFinder也會自建數據庫，供企業采購。但實際在人工智能行業里，數據素材可復用的機率相對較低，杜霖補充，因為每家公司的要求都不一樣，同是標記商品，有的公司會要求勾勒輪廓，有的會要求貼邊打框，有的精度在10%的誤差，有的在5%
值得一提的是，BasicFinder的工具平臺正在內部試用中，并將于近期正式對外公布。客戶在平臺上直接簡單組合，填寫相關參數，m.haojoj.com，即可以相對精準的定義任務。平臺接受到任務后，會按照要求把數據任務輕松分配到數據工廠甚至個人，數據工廠的工人在平臺上進行操作，并借助相關的工具提升作業效率，客戶在后臺就能及時來監控這些信息，不合格的數據也可以及時返工，最后保證會輸出質量較高的數據。
系統之后會不斷迭代，無非就是提高效率，問及是否會用機器替代人力進行標記，杜告表示不會，因為人工標記出得數據在誤差層面符合正態分布，而機器標記的都是同一水平，用機器生產的數據再訓練機器，并不利于AI最后的訓練效果。
至于收費模式，BasicFinder會根據樣本耗時估算一個人力成本，走項目制。
據悉，現階段，BasicFinder的訂單多為數據標注，國內外客戶占比接近1：1，包括中科院、搜狗、中國移動、華為、創新工場、云知聲、國外知名科研院所等。這些客戶多在使用深度學習相關的框架進行研發，因此對數據的需求量較大，客戶的算法相對比較成熟，因此任務往往為個性化任務。客戶中，最高訂單定價在百萬元，不少用戶會多次下達不同的訂單。
其實對于這一波因為深度學習而興起的數據服務商來說，最大的潛在威脅很可能并非來自競品，而是來自于增強學習、遷移學習等算法，后者僅需要少量的數據即可以達到一定的效果。杜霖表示，這方面公司也在密切關注，一方面目前增強學習、遷移學習等算法還不成熟，很難大規模應用；另一方面，這些算法也需要基礎的學習數據，同時公司也有可能提供包含人工操作的數據以提供給這些算法。
BasicFinder注冊成立于2015年，目前核心研發團隊在20人左右。創始人杜霖是一個連續創業者，在上海交通大學計算機系讀大二的時候，就開始了第一次創業經歷，當時開發了一款SEM搜索引擎自動化營銷工具，后以300萬美元的價格打包賣給了一家土耳其電子商務網站。2010年大學畢業后，杜霖從事了數年TMT創投工作。2015年預感到深度學習的潛力及對數據的需求，成立了BasicFinder。公司已經獲得過兩輪融資，天使輪由個人投資數百萬元，2017年3月份，完成了一千多萬元pre-A輪融資，計劃今年底或明年初再進行A輪融資。