自从ChatGPT横空出世,大模型技术进入了爆发式增长阶段,引领了人工智能领域的新一轮革新。然而,这种快速发展背后隐藏着一个不容忽视的问题——高质量语料的枯竭正成为制约大模型进步的关键瓶颈。
据《全球人工智能产业研究报告》2024年版指出,尽管数据总量持续膨胀,但真正能够用于高质量训练的语料资源却日益稀缺。报告强调,随着模型规模的不断扩大,对高质量、多样化且无偏见的数据需求也随之激增。然而,现实情况是,能够满足这些高标准要求的语料库却在减少,这直接影响到模型的性能和可靠性。
知名AI专家、斯坦福大学教授李飞飞在2024年国际人工智能峰会上的演讲中也提到了这一点:“我们正处于数据饥渴的时代。大模型的发展速度超过了数据生成的速度,特别是高质量数据的生成。这是我们必须正视并解决的问题。”
此外,谷歌AI负责人Jeff Dean在2024年的一次采访中表示:“数据质量是决定大模型能否达到预期性能的关键。没有足够丰富和多样的数据集,即使是最先进的算法也无法发挥其潜力。”
为应对大模型发展对高质量、大规模、安全可信语料数据资源的需求,保障大模型科研攻关及相关产业生态发展,本次世界人工智能大会期间,大模型语料数据联盟、上海库帕思科技有限公司将联合上海市数商协会、上海市人工智能行业协会以“语料筑基,智生时代”主题举办语料主题论坛。
谁在给大模型提供高质量“燃料”?云测数据成功登榜
要解决高质量语料的枯竭问题,一方面需要数据服务商不断提升数据采集和处理的技术水平。
而目前市面上数据服务商在提供高质量语料方面可能面临多种挑战,包括在数据层面,面临数据质量与多样性、数据隐私与合规性、数据时效性等问题;在技术层面,面临数据采集手段落后,数据预处理和标注技术不足等问题;在企业层面,高质量数据采集和处理成本高昂,小规模服务商可能难以承担,影响其长期运营和数据更新频率。
为帮客户更好找到优秀语料服务商,此次论坛发布了“2024中国语料风云榜”。
本次榜单分申报、预选、复评、公示、发布五个阶段进行。评选从“好企业、好产品、好规则”三个一级指标维度,细分至六个二级指标(经营能力、品牌能力、产品能力、创新能力、规范能力、基础能力),及16个细化三级指标进行评审。
由来自全国范围的百家申报企业中,通过企业定量申报数据筛选出20个较有代表性的企业入围(预选);经过多位专家评委的定性定量复选评审,按照综合得分排名Top10的申报企业上榜,其中云测数据成功登榜。
据了解,云测数据之所以能在“2024中国语料风云榜”中脱颖而出,离不开其在数据标注平台能力、面向垂直行业大模型AI数据解决方案、以及智能驾驶AI数据解决方案等方面的卓越表现。
在标注平台方面,云测数据打造了新一代人工智能数据处理工具,荣获多个行业奖项,其平台支持多类型数据处理,极大提升数据训练效率,标注精准度可高达99.99%,为企业AI应用落地提供了强有力的支持。
在垂直行业解决方案上,基于深厚的行业经验,云测数据推出定制化AI数据解决方案,深度满足垂直行业需求,特别在微调任务中,提供文本、多模态等数据支持,加速AI技术在各领域的应用。尤其是值得一提的是云测数据的智能驾驶AI数据解决方案。
其自动驾驶解决方案2.0以集成数据底座为核心,实现了数据闭环能力、自动标注能力、数据管理工具链的全方位升级,不仅提升了数据标注的质量,更大幅提高了数据标注、流转的效率,使企业AI数据训练过程的综合效率提升至200%。此外,通过支持BEV-transformer标注,云测数据强化了自动标注结果的校验能力,提升了大模型文本语言标注能力和评测服务能力,为智能驾驶企业带来更自然、更智能、更多样化的人机交互体验。
解决高质量语料短缺问题,还需行业协作
解决高质量语料的短缺问题,不仅是单个数据服务商的责任,而是需要整个行业乃至跨行业间的共同努力。
一来,数据的生成和标注是一个复杂而耗时的过程,涉及到技术、伦理、法律法规等多个层面。单一实体,无论其技术多么先进,都难以独自应对数据收集、清洗、标注、存储和分发等各个环节的挑战。因此,行业内需要建立共享机制,促进数据资源的有效流通和利用,避免重复劳动,提高整体效率。
二来,高质量语料的定义不仅仅是数据的量大,更重要的是数据的多样性和代表性。这要求数据覆盖各种场景、语言、文化和专业领域,单一服务商往往难以覆盖如此广泛的范围。只有通过行业内的合作,才能汇集来自不同背景和领域的数据,确保训练出的模型具有更强的泛化能力和公平性。
在本次论坛上,50余家单位共同发起了“语料生态服务大模型可持续发展倡议”,旨在打造一个资源共享、互利共赢、国际融通的语料生态圈,进一步强化语料生态全产业链的交流合作,营造有利于中国大模型产业生态健康发展的环境,其中云测数据也位列其中。
在行业端,云测数据一直在积极推动完善AI数据服务生态发展,通过丰富成熟的数据服务与策略积累,联合AI领域各大代表企业积极推动行业相关标准体系化的建设,围绕数据生产流程、数据质量管理、数据交付实施等能力形成多维度评价指标,为行业的高速、健康发展贡献力量,助力提升数据产品质量和交付服务水平。
在助力AI数据标准化体系建设进程中,云测数据将成熟的技术、服务等经验总结,先后参与编制了《智能网联汽车激光雷达点云数据标注要求及方法》、《智能网联汽车场景数据图像标注要求与方法》、《人工智能研发运营一体化(Model/MLOps)能力成熟度模型第一部分:开发管理》、《人工智能研发运营一体化(Model/MLOps)能力成熟度模型 第二部分:模型交付》、《面向人工智能的数据交付服务能力成熟度模型》、《人工智能数据集质量管理能力评估方法》等产业相关标准,助力人工智能数据服务在落地领域规范化发展。
解决高质量语料的短缺问题,不能一蹴而就,需要整个行业从数据资源共享、多样性保障、技术标准制定、技术创新和人才培养等方面共同努力,形成一个健康、开放、合作的数据生态系统。只有这样,才能确保AI模型的持续进步和人工智能产业的长远发展。