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”

  • 时间:
  • 浏览:3
  • 来源:1分快3网投平台-1分赛车投注平台_3分彩娱乐平台

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,但后会 所有数据后会 应用价值,埋点回来的数据往往要经过清洗、标注并能为算法可用。与此并肩,数据标注得越精准,对算法模型训练的效果也就越好。

哪几个高质量数据诞生的身旁,是一家家数据标注工厂的兴起——它们大都存在河北、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、下行速率 、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一人工智能光环身旁的“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老要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1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,算法被多量开源,而算力要素,GPU市场被英伟达垄断,国内的创业公司大后会 围绕FPGA、ASIC等进行边缘研发。

从这一逻辑来看,一旦创业公司无法在算法和算力要素拉开本质的区别,数据和应用场景就成为其价值最大化的重要最好的妙招。

期间,多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和场景结合后后,相比多量的基础数据库,与产品相匹配的场景数据的价值将如此大。

后后,卜辉在决定从一些人最擅长的“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。并肩搭载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。

这一阶段卜辉发现,高校学生在使用这套方案的并肩,统统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。

后后,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 10000 小时。这一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。并肩成立了AISHELL Foundation来并肩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,

在此后后,从未有一家公司开源如此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,并肩还让希尔贝壳收获了全球最大的高校资源群体。

声明:本文转载自第三方媒体,如需转载,请联系版权方授权转载。协助申请