用算法提高数据标注效率，「星尘数据」获数百万元天使轮投资

Tractica预测，2024年人工智能市场规模将增长至111亿美元。但AI要真正发挥作用，优质的数据必不可少，正如业界共识“大量数据+普通模型”比“普通数据+高级模型”的准确度更高。所以，前端的数据采集、加工环节单拎出来成为了新的机会点。

其实，数据标注并不算一个完全新兴的产业。成立于1998年的“海天瑞声”已在语音领域耕耘近20年，因为人工智能一词的提出，最早可以追溯到20世纪50年代，不过此前主流技术没有到“深度学习”的阶段，所以数据用的相对较少。目前这个赛道上，成立久的有“数据堂”，早期公司有获得明势资本Pre-A轮融资的“爱数智慧”，完成天使轮融资的“泛涵科技”，获得合力投资数百万天使的“丁火智能”，获金沙江领投的“龙猫数据”，自营数据工场的BasicFinder等。

“星尘数据”也是赛道上一员，平台上聚集了2万多名大学生，通过众包方式提供数据标注服务。比如，在文本场景中，标注特定词语之间的关联关系，可以训练机器理解用户评论，也就是常说的语义识别。又比如，地产场景中，人工标注户型结构。再比如，生物医学场景中，需要人工标注人眼虹膜。

最前端，“星尘数据”根据客户的挖掘需求提供咨询服务、优化方案。之后的标注任务，在星尘自研发的“stardust”系统中完成，平台上有客户提供的数据和标注模型，任务会被切割分配给每个C端，形成“动态发题”，通过“准入考核”的C端才能认领答题。过程中，“stardust”系统会辅助标记。例如，正常的图像识别训练，需要人工一点点贴边抠图，比较费时，而stardust系统中，人工只需要标注出绿色的正区间和红色的负区间，系统就能自动抠图（如下图）。再例如，语音识别时，系统可以先自动转换一部分文字，来降低人的工作量。

我们知道，数据标记是个重人力的劳动密集型行业，这类公司的关键点就在于——人员效率、交付质量。

“stardust”系统便是星尘数据的主要差异点，背后离不开算法的支撑。星尘团队也都是算法出身，创始人兼CEO章磊曾在世界银行、华尔街、硅谷工作8年，涉及金融、保险、数据、量化、风险模型、人工智能等方向，在硅谷开发了世界首款股权投资机器人，在北京担任首席数据科学家。联合创始人董磊曾工作于百度人工智能实验室（前吴恩达团队），从事基于移动端数据的分析与建模工作。

目前，通过“stardust”系统，人的工作量在80%，机器的工作量在20%，这个比例还在不断优化中，未来机器可能占到80%。

在36氪之前的文章中，有创业者表示不会用机器标注替代人工，“因为人工标记的数据在误差层面符合正态分布，而机器标记的都是同一水平，用机器生产的数据再训练机器，并不利于AI最后的训练效果。”以及，理论上，下游的应用公司算法更强，若用算法进行抠图，企业客户为什么不自己标注？

对此，章磊认为，人工标注确实会有偏差，但这种偏差并不会有助于机器训练。准确答案只有一个，星尘可以通过算法机制保证输出正确结果，目前的准确率在99%。并且，下游应用公司的最终模型和标注时需要的模型还是不一样的，星尘的模型是用来提高效率的。

还有个普遍的问题就是有关数据安全和复用，这方面星尘跟硅谷数据安全公司合作，用加密技术在数据底层做隔离，分离数据使用权和拥有权，防止数据在众包过程中泄漏。由于每个公司对数据的要求不一样，只有在一些通用的逻辑中，数据才有可能复用，比如智能客服，所以星尘基本不会留存数据，除非客户有售卖的特殊需求。

至于收费，星尘主要根据数据标注量和难度来报价，平均客单价在3-5万元以上，大客户甚至到百万级别。目前公司已经服务了10家左右客户，3-5万的单子耗时不超过1周。

章磊分享，数据的需求贯穿AI公司的各阶段，占公司支出10%－20%左右，像商汤科技就在用300人的团队标记几千万的人脸图片。现有的国内外标注营收估计在30亿人民币，预计3年后达到100亿。

不过，对于这一波因为深度学习而兴起的数据服务商来说，最大的潜在威胁很可能并非来自竞品，而是来自于增强学习、迁移学习等算法，后者仅需要少量的数据即可以达到一定的效果。章磊认为，迁移学习等确实是将来的趋势，就单个模型来说，积累越久，数据需求量肯定会越少，但对于新模型来说，前期的需求量不会少，而模型是在增加的，所以对于“数据标注”这个正处在上升期的行业，暂时不会有明显影响。

据悉，“星尘数据”公司在今年5月份注册，8月获得数百万元的天使轮投资，由天使湾领投，英诺天使、老鹰基金和创势基金跟投。团队目前在10人左右，还在扩招中（Python工程师岗位，高级销售经理岗位，高级市场经理岗位），如果你也对该公司感兴趣，可以投递简历至liaijun@stardust.ai。