站长之家
站长之家
2019-04-11 11:00
+关注

希尔贝壳:如何用技术创新颠覆传统数据标注产业的“野蛮生长”

AI,人工智能

图片来源图虫:已授站长之家使用

声明:本文来自于微信公众号猎云网(ID:ilieyun),作者:吕梦,授权站长之家转载发布。

数据是人工智能的基础,但不是所有数据都有应用价值,采集回来的数据往往要经过清洗、标注才能为算法可用。与此同时,数据标注得越精准,对算法模型训练的效果也就越好。

这些高质量数据诞生的背后,是一家家数据标注工厂的兴起——它们大都位于河北、河南、山东等地区,倚靠相对低廉的劳动力支撑起AI产业链的重要一环。随着我国人口红利的逐渐消失,传统标注工厂在“人工成本”方面的优势正不断被削弱。

针对数据标注在成本、效率、质量等方面的痛点,一家专注人工智能大数据技术创新的创业公司,决定通过技术创新来改变这个人工智能光环背后的“人工”产业。

卜辉是这家公司的创始人,韩国高丽大学硕士毕业后一直从事语音识别方向的研究,对语音数据库建设以及语音智能产品有着深入的研究。

彼时,基于 2012 年AlexNet在ImageNet大赛上一举夺魁带动的深度学习热潮仅过去两年,而那场轰动世界的AlphaGo人机大战两年后才向公众展现它的惊人战绩。一切尚在蓄势。

2017 年,在算法、算力和数据的三轮驱动下,人工智能从概念走向实用。其中,算法被大量开源,而算力部分,GPU市场被英伟达垄断,国内的创业公司大都是围绕FPGA、ASIC等进行边缘研发。

从这个逻辑来看,一旦创业公司无法在算法和算力部分拉开本质的区别,数据和应用场景就成为其价值最大化的重要依据。

期间,大量和语音识别相关的产品的问世,也让卜辉意识到,数据的需求正不断聚焦,尤其是当AI和场景结合之后,相比大量的基础数据库,与产品相匹配的场景数据的价值将越来越大。

因此,卜辉在决定从自己最擅长的“语音数据”市场切入,并在 17 年 4 月创办了希尔贝壳。

开源全球最大中文语音数据库

基于语音识别、声纹识别、音频检索等语音相关技术,希尔贝壳成立之初就开源了 178 小时的AISHEll- 1 中文普通话精标语音数据集。同时搭载Kaldi语音识别系统做了一套开源方案,将有研发价值的数据贡献到科研教育机构。

这个阶段卜辉发现,高校学生在使用这套方案的同时,很多中小型企业也在利用它进行语音识别的方案和产品相关研究,但效果就偏弱了一些。

因此,在 2018 年 6 月 23 日Kaldi第三届全国线下技术交流会上,作为联合主办方之一的希尔贝壳再次开源了目前全球最大的中文开源数据库AISHEll-2,时长 1000 小时。这个开源项目不只局限于数据,还包括Kaldi社区的基础设施和配套的recipe应用。同时成立了AISHELL Foundation来共同推进语音数据和技术的不断开源计划。

据悉,AISHELL- 2 由 1991 名来自中国不同口音区域的发言人参与录制,文本内容主要涉及唤醒词、语音控制词、智能家居、无人驾驶、工业生产等 12 个领域。并经过专业语音校对人员转写标注,通过了严格质量检验,数据库文本正确率在98%以上,

在此之前,从未有一家公司开源这么大的中文语音数据库——这套方案不仅让中小型企业享有语音识别开发的能力,同时还让希尔贝壳收获了全球最大的高校资源群体。

免责声明:本文来自站长之家合作媒体,不代表站长之家的观点和立场。
数据标注
3篇文章
查看
猜你喜欢
最新趣闻
最新推荐