算法、算力和數(shù)據(jù)共同構成了AI產業(yè)鏈技術發(fā)展的三大核心要素。在人工智能行業(yè)發(fā)展進程中，有監(jiān)督的深度學習算法是推動人工智能技術取得突破性發(fā)展的關鍵技術理論，而大量訓練數(shù)據(jù)的支撐則是有監(jiān)督的深度學習算法實現(xiàn)的基礎，高質量、大規(guī)模、多樣性的AI訓練數(shù)據(jù)集已成為算法模型發(fā)展和演進的“燃料”。

算法模型從技術理論到應用實踐的落地過程皆依賴于大量的訓練數(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網(wǎng)絡層級，利用大量的AI訓練數(shù)據(jù)集提高算法精準性，ImageNet數(shù)據(jù)集的超過1,400萬張訓練圖片和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)督的深度學習算法訓練，必須經過專業(yè)化的采集、加工，形成相應的工程化AI訓練數(shù)據(jù)集后才能供深度學習算法等訓練使用。目前，應用有監(jiān)督學習的算法對于AI訓練數(shù)據(jù)集的需求遠大于現(xiàn)有的標注效率和投入預算，基礎數(shù)據(jù)服務將持續(xù)釋放其對于算法模型的基礎支撐價值。

AI產業(yè)對AI訓練數(shù)據(jù)集的持續(xù)性需求一直存在

AI產業(yè)對訓練數(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：

深度學習模型對訓練數(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)揮技術潛能，深度學習模型需要海量且涵蓋圖像、視頻及語音在內等多種類型的訓練數(shù)據(jù)進行模型訓練。此外，人工智能技術要求算法模型根據(jù)潛在的應用場景變化而持續(xù)更新，因此，算法模型所使用的訓練數(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)更新的特點將進一步拓展各領域AI訓練數(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)化進程的演進，新興應用場景如智聯(lián)網(wǎng)AIoT、AIPaaS、產業(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AI技術和算法模型的優(yōu)化和創(chuàng)新。因此，在創(chuàng)新應用場景和新型算法的帶動下，具有前瞻性的訓練數(shù)據(jù)產品和高定制化的AI訓練數(shù)據(jù)集服務需求將逐步成為主流。

標貝科技基礎數(shù)據(jù)服務行業(yè)深耕多年，始終秉承基礎研究與實際應用緊密結合的原則，持續(xù)開展基礎研發(fā)等研究創(chuàng)新工作。https://www.data-baker.com