作者 | 馬冀，澳鵬（Appen）中國區副總裁
2020年，一場突如其來的新冠肺炎肆虐全球, 導致不同國家的人們被迫隔離或保持社交距離，人與人之間的接觸變得風險極高。一時間，人們對於人工智慧機器人、自動駕駛等可有效解決人與人接觸的「無人」技術的出現與應用翹首以待。疫情期間，從無接觸測溫到在線辦公，雲會議、在線教育、在線發布會、雲逛街、雲旅遊等，人工智慧在這場戰役中大顯神威，以前沒有的模式在不斷被創造，人工智慧對眾多行業的「賦能」作用也開始顯現並迅速獲得人們的青睞。
特別是一些物資運輸和物流方已經採用無人車送貨的方式，避免人與人直接接觸的問題；有些醫院採用了無人消毒、清潔車；有些在醫院為患者進行無人送餐等。諸如這些鮮活的事例在這次疫情中可以說是不勝枚舉。
據統計 ，我國這次採用自動駕駛的達到十幾個地級市，北上廣都涵蓋在其中，同時此次使用的投入量也達到數百個。不僅在國內，國外也是如此，法國的NAVYA與美國的診所合作，也開始進行無人車配送藥品或者檢測樣本。
「自動駕駛」在這次疫情中實際的投入和使用，雖然是牛刀小試，但足以讓人們對此有了全新的認識。由此我們看到了自動駕駛領域應用的廣泛前景和巨大市場潛力。自動駕駛一直是人類對未來的幻想，而想要實現真正的無人駕駛仍然面臨諸多挑戰。如何快速實現商業化，是現在很多投資自動駕駛的公司所倍加關注的問題。以前更多的聚焦是在無人車是一種交通工具，主要用於解決運輸人的問題；而現在，它更像是可以成為替代簡單重複性工作的「助理」。
為了使汽車行業製造出最高效、最安全的無人駕駛汽車，汽車投資者必須採取消費者至上的思維方式才能居於領先。事實上對於大多數的駕駛員來說，當下的駕駛體驗仍然事與願違。原本用於導航、通信和娛樂的免提系統應該儘可能減少幹擾，但是目前差強人意的語音識別功能每每讓人沮喪，反而給駕駛員帶來了更多不必要的幹擾。新的無人駕駛和駕駛輔助功能雖然已經有所改善，可以提供一定幫助，但它們還遠遠不能達到理想狀態。唯有那些致力於提升消費者體驗的企業，才能最終在競爭中脫穎而出，無論是乘客或駕駛員在車內的內部體驗，還是提升安全性和自主性的汽車外部體驗。
目前疫情在國內已經受到一定程度的控制，疫情終會消散，但誰也不敢預言疫情會不會捲土重來？那麼未來的駕駛又將會是什麼樣子？何時我們才能夠抵達未來？
雖然 AI 技術正在迅速走向成熟，但 AI 的發展所涉及的不僅僅是技術，還包括監管、業務和產品挑戰、社會認可和新技術發展方面的挑戰。就自動駕駛來說主要涵蓋複雜程度、安全性、本地化和再訓練幾個方面。
首先以接送孩子上下學為例。其中涉及的不僅僅是從 A 點到 B 點行駛的技術，還有由誰來負責巴士的安全？政府、巴士製造商、AI 軟體工程師、還是由他們一起負責？一旦出了問題了，該怎麼辦？在旅途中如何監控孩子的行為，如何處理從巴士到學校的責任轉移？這些恐怕都涉及到需要立法、法規和保險業的全面投入才能逐一獲得很好、妥善的解決。
其次，供應商必須弄清楚如何收集和處理大量數據，才能支持成千上萬輛同時交互的無人駕駛汽車。在投入生產之前，還必須能夠證明產品足夠安全可靠，並且足以抵禦網絡的惡意攻擊。最後，他們必須開發一種能支持解決方案擴展的業務模式。
千人千面，並非每個人都對無人駕駛汽車感興趣。因此，我們可能會遇到周圍一些思想和行為上偏保守的人的強烈抗拒乃至強行抵制。也就是說自動駕駛必須首先解決的是觀念和意識，也就是信任兩個字。事實上凡是每當出現一項重大的新技術，我們都會面臨這些問題。某種程度上講，我們如何管理無人駕駛和自動駕駛汽車的這些問題，將影響人們對這種急劇的社會變革的接受程度，以及從長遠來看，如何評估它對於社會發展的進程到底是利還是弊。
隨著5G+IOT+AI等新技術的到來，物理世界的一切都會被映射到數字世界，無人駕駛領域也即將進入車駕智能感知時代，換句話說就是把道路也變成智能的。在道路部署很多的RSU（Road Side Unit），配上雷射雷達的掃描處理，讓汽車和道路進行信息的即時傳遞，以此大幅提升無人車路徑規劃和決策的準確性。隨著5G的商業化部署和其他新技術引入，勢必也將給無人駕駛汽車行業和各國政府所選擇的技術路線帶來更多新的機遇和挑戰。
複雜程度：與基本要素一樣，企業可能沒太關注複雜程度如何影響其項目。通過尋找可靠的數據合作夥伴，他們的專業知識可以為企業提供指導和見解。例如，本體越大，項目就越複雜。一個經驗豐富的數據合作夥伴將幫助您確定這種情況如何導致您投入更多的時間和成本，並找到與您的整體業務目標契合的解決方案，這對於考慮圖像和視頻至關重要。
本地化：本地化在汽車行業中尤其重要。由於汽車企業在設計模型時需要考慮多個市場，因此，他們需要考慮不同的語言、文化和受眾特徵，從而妥善定製消費者體驗。本地化項目非常適合作為您與數據合作夥伴的首個合作項目，他們可以利用資深的語言專家團隊來開發風格指南和語音角色（正式，閒談等），以及跨語種進行優化。
安全性：汽車行業收集的許多數據中都包含敏感數據，需要企業額外採取安全措施。理想的數據合作夥伴不僅會提供各種安全選項，甚至在最基本的級別上都具有嚴格的安全標準，以確保正確處理您的數據。尋找能提供以下選項的數據合作夥伴；安全數據訪問（對 PII 和 PHI 至關重要）；安全眾包和現場服務選項；私有雲部署；內部部署；以及基於 SAML 的單點登錄等。
再訓練：麥肯錫認為，1/3 的上線 AI 產品需要每月更新才能適應不斷變化的形勢，例如模型漂移或用例轉換。許多企業跳過了這一關鍵步驟，或者完全將其擱置一旁。不過，如此一來，需要通過大規模部署且能夠取得足夠長期成功的 AI 項目來證明 ROI 會越來越限制更長期數據再訓練的風險，卻得到了避免。通過再訓練，您可以迭代模型，使模型變得更加準確和成功——您最好利用數據合作夥伴來重新標記數據，並使用人工評估程序來分析低置信度預測，從而提供支持。
由AI驅動的智能座艙由 AI 驅動的智能座艙已成為許多企業品牌的代名詞。汽車製造商正在與相關的生態系統提供商合作或尋求合作，為客戶創造更多價值。由 AI 驅動的智能座艙能帶來諸多優勢，包括改善駕駛員體驗和安全性，以及提供直觀的車內助手。這意味著可以在訓練數據的幫助下，採用 AI 並實現可擴展的部署，改進車內和車外體驗。
隨著全自動駕駛汽車領域的競爭日益激烈，市場上已經建立了一個標準，該標準定義了六個自動駕駛級別，旨在讓汽車製造商、供應商和政策制定者可以討論和比較系統。這六個自動駕駛級別與不同的消費者體驗掛鈎，2 級 (L2) 和 3 級 (L3) 之間發生了重大變化。從 2 級過渡到 3 級，監控汽車的責任從駕駛員轉移給了系統。由於自動駕駛級別不同，聚焦消費者體驗能幫助您在車內和車外體驗領域快速獲得成功，使得這些體驗極易受到成功可擴展性的影響。
車內體驗通常被描述為由 AI 驅動的駕駛艙，涵蓋了整個用戶體驗——包括駕駛員和所有乘客，旨在打造更智能、更愉悅的總體車內體驗。它包括將 AI 應用於智能駕駛輔助程序，以改善安全性或信息娛樂系統，不僅可為駕駛員導航，同時為後排乘客推薦相關服務。
而談到車外體驗，儘管企業都在竭盡全力實現五級自動駕駛，由 AI 驅動的智能汽車仍然需要更高水平的計算機視覺和計算能力——雷達和攝像頭的傳感器每秒傳輸大量數據，以處理諸如危險的路況、道路上的物體和道路標誌之類的狀況。
得益於計算機視覺機器學習模型領域的最新研究，由 AI 驅動的無人駕駛機會主要聚焦如何利用 LiDAR、視頻對象跟蹤和傳感器數據支持計算機視覺。這些技術能幫助汽車在從 A 點駛向 B 點的過程中擁有「視覺」和「思考」的能力。幫助訓練模型執行任務的數據標註服務包括：
點雲標記（LiDAR、雷達）：通過識別和跟蹤場景中的對象，了解汽車前後和周圍的場景。將點雲數據和視頻流合併到一個要標註的場景中。點雲數據可幫助您的模型了解汽車周圍的情況。
包括語義分段的 2D 標記：幫助您的模型更好地理解可見光攝像機的輸入。尋找一家數據合作夥伴，幫助您為自定義本體創建可擴展的邊界框或高度詳細的像素模板。
視頻對象和事件跟蹤：您的模型必須了解對象如何隨時間移動，您的數據合作夥伴應該協助您標記時間事件。在視頻和 LiDAR 場景的多個幀裡，在本體中的對象（如其他汽車和行人）進入和離開您感興趣的區域時，跟蹤這些對象。不管對象出現和消失多少次，在整個視頻中都要對對象的身份保持一致的理解，這一點很關鍵。
過去，為了有效訓練 AI 模型，企業不得不依靠多個供應商和應用來收集、準備和整合所有數據。但是現在不同了。無論您是在構建 1 級或 5 級自動駕駛解決方案，改善駕駛輔助功能，還是介於兩者之間，可靠的收集和標註合作夥伴都可以提供統一的產品，在一個平臺訓練和測試您的 AI 系統。
抵達車駕智能時代的關鍵——背後的高質量數據
澳鵬(Appen)的研究和經驗發現，要想讓 AI 試驗項目進入能帶來切實利潤的大規模部署階段，企業應該專注於一個關鍵目標，這是最簡單的方法之一。大多數企業都通過構建對消費者體驗產生積極影響的 AI 取得了早期成功——無論是坐在車裡的乘客或駕駛員，還是站在車外的人，都能獲得更高的安全性和自主權。儘管我們已經在這一領域取得了長足的進步，但未來幾年無人駕駛汽車並不會大範圍普及，我們也不能一蹴而就。人工智慧正在推動著汽車行業的深刻變革，隨著無人駕駛時代越來越現實化，人工智慧和汽車技術也越來越緊密地交織在一起。目前我們已經擁有了無人駕駛汽車所需的所有基本技術——甚至我們也知道該怎麼做。但這與大規模運行整個無人駕駛汽車系統截然不同。
對於大量在無人駕駛技術和互聯汽車的未來進行投資的公司而言，通常必須藉助多個供應商和應用，一同收集、標註、準備和聚合所有數據，以便有效地訓練其AI模型。無人駕駛汽車相當複雜，屬於由複雜的機器學習算法驅動的機器。隨著汽車的前進，機器學習算法模型會處理多種類型的數據，就像駕駛員透過擋風玻璃觀察或監視車內外的情況一樣。為了使汽車具備「看」、「聽」、「理解」、「交談」和「思考」能力，需要以適當的方式收集視頻、圖像、音頻、文本、LiDAR和傳感器數據，對這些數據進行結構化處理，並使其為機器學習模型所理解。汽車需要為大量的圖像包含2D/3D數據賦予含義，例如，識別樹木或行人，識別動態的路況，聽取命令，了解環境的外部變化，將這些信息反饋到汽車的AI中，為決策提供信息支撐，並改善算法，從而實現五級自動駕駛。同樣，智慧駕駛-智能駕艙：隨著語音識別技術、LiDAR和能跟蹤駕駛員情緒的攝像機的發展，人機界面的下一步重要舉措就是融合這些技術，讓汽車能夠識別說話者的情緒和話語，從而分辨出用戶是高興還是沮喪，並給出相應的回應。通過此類車內輿情監控，了解並預測行為，實現卓越的人車互動。
對於無人駕駛汽車來說，就像在醫療保健或其他風險管理至關重要的場景一樣，為了在瞬息萬變的複雜真實的駕駛場景中發揮作用，訓練數據需要由人員進行大規模標註和驗證。機器學習系統需要大量經過專門調整的訓練數據，這些數據來自不同的駕駛環境。要創建這種高質量的訓練數據，就必須從人工標註入手。例如，在訓練計算機視覺解決方案時，人們需要標註和標記由傳感器收集的 LiDAR 數據，概述圖像中包含樹木、交通標誌等的所有像素。通過這種方式，系統將學會識別這些對象，但它需要大量示例。幸運的是，現在市場上有一些工具包括澳鵬由機器學習提供輔助的LiDAR、視頻、事件和像素級標記、以及語音和自然語言，都可以幫助我們加快完成這些任務，並滿足日益增長的對結構化數據的需求。通過這些工具與工作流互聯，能幫助加速開發無人駕駛能力，提高生產力，成為市場贏家。
隨著無人駕駛汽車市場的競爭愈演愈烈，大規模的高質量訓練數據仍然是汽車行業正在努力解決的主要挑戰。再加上汽車不僅需要遵守嚴格的國家和地區法規，而且還必須了解數百種語言和方言，這些都構成了巨大的挑戰。顯然，我們無法規避這其中的偏見和挑戰。例如一位母語為英語的男士駕駛一輛美國市場生產的汽車，他的語音識別成功率要比母語不是英語的女性駕駛員高。簡而言之，主要依賴基於英語為母語的男性語音所收集和標註數據的語音識別系統，在處理其他語音時很容易出問題。用於事故規避和自動駕駛的視覺數據同樣如此。如果訓練數據是白天天氣晴朗時收集的數據，則該系統在雨天的夜晚響應較差。
攜手數據合作夥伴，將AI加速從試驗階段推向生產階段在真正採用試驗模型戰略並提供 ROI 時，許多項目都無法提供有意義的結果。這會導致企業高層退縮，無法給 CIO 留下深刻印象，並因為無法實現價值而導致試驗被終止。結果就是，管理人員將很難證明項目的價值，並且通常不願意投資擴大未來的試驗。為確保您的 AI 試驗不只是看上去好看，直接投資訓練數據而不是耗費80%的時間準備訓練數據顯然事半功倍。
許多 AI 項目從收集立即可用的數據入手，然後嘗試了解如何使用這些數據。通過採用適當的方法成功將模型擴展到項目之外，您能夠避免使用常規數據（從公共資源和 Web 收集的數據以及髒/暗數據），而將重點放在收集與切實的目標和用例相關的特定數據。為了獲得成功，這些數據必須是可靠、乾淨且有足夠標註的數據，並且團隊將致力於數據維護工作，將更多專業的工作外包出去。
為了啟動世界一流的 AI 計劃，您應該尋求數據合作夥伴為您提供可靠、高質量的訓練數據，讓您能夠擴展至以下五個關鍵的階段：
試驗：在大型試驗中為您提供可靠的訓練數據，以確保模型可以快速實現擴展。同時還可以幫助您標註置信度低的數據或標註邊緣用例場景的數據。
數據標註：小規模試驗之後，通常需要大量訓練數據。在這種情況下可使用海量數據集訓練模型，以確保模型可以適用於每個場景，沒有偏見，並且按照預期方式運行。此外，這些數據必須準確無誤，否則您的模型不僅無法進行正確的訓練，亟待解決的業務問題也被耽擱，還可能導致利益相關者不同意擴展部署規模。尋求數據標註和收集領域專家的幫助。有助於企業大大減少在獲取數據上所花費的時間，並確保儘可能高的準確性。
測試和驗證：訓練模型後，需要使用一組未用於訓練模型的數據進行驗證，以調優模型。在驗證階段，企業可以更好地測試數據是否妥善標記了正確的意圖，並確保模型不會由於極端例子而出現任何偏差或失敗。從而無偏見地預估最終調優模型的技能。
擴展部署至生產環境：如果模型在測試和驗證階段都成功了，就該擴展部署了。企業可以進一步評估和驗證置信度低的答案，但無論如何，企業都應該自信地擴展試驗。
再訓練：順利完成了擴展——但是在全面部署時您的模型可以準確執行多長時間？定期對模型進行再訓練，這一點對於避免模型漂移和解決用例轉換至關重要。
展望未來，澳鵬匯集了所有必要的要素，幫助企業走向成功未來的交通運輸將以世界一流的 AI、超快的連接和對環境的影響為基礎。因此，AI 的潛在使用場景範圍非常廣泛。而且，儘管企業 AI 和機器學習用例變得越來越多樣化（從供應鏈和製造到無人駕駛汽車和移動即服務），但以消費者體驗為中心的應用仍然是最普遍也最成功的大規模部署的應用。這是因為車內和車外體驗都與明確的 KPI 直接關聯，並且很多汽車企業擁有大量未挖掘的數據，他們可以利用這些數據來改善這些體驗。
因此為了確保為多模式和多媒體視覺和語音識別系統能夠提供足夠的無偏見訓練數據，就需要大量代表不同地理、文化、性別和語言的標註人員。所有這些數據必須由這一領域的專家進行標註和收集，並用於快速、高效地大規模訓練和改進機器學習模型。澳鵬（Appen）在無人駕駛汽車領域是超過15年以上的行業經驗專家，享有與世界前十大整車廠豐富的合作經驗及深邃的行業洞察能力，為無人駕駛及智能座艙等商業場景訓練數據提供多傳感器融合的LiDar點雲數據標註，PLSS，計算機視覺機器學習輔助標註工具，以及車內數據採集，語言覆蓋全球180多種語種。
「汽車和交通運輸相關數據的收集、管理和基於 AI 的開發將決定誰能成為下一代移動出行領域的贏家。要成為贏家，企業需要戰略願景、商業頭腦和技術實力。澳鵬（Appen）匯集了所有必要的要素，以幫助企業走向成功。」 Evangelos Simoudis Synapse Partners 董事總經理如是說。在新基建的春風之下，人工智慧作為新一輪產業變革的核心驅動力將釋放歷次科技革命和產業變革積蓄的巨大能量。任何實施AI 戰略的企業都應使用高質量的數據來最大程度地提高成功機會，與經驗豐富的合作夥伴合作並藉助可靠的流程，對提高成功機率並提供無縫的汽車和駕駛員體驗而言至關重要。
雷鋒網雷鋒網(公眾號：雷鋒網)
雷鋒網版權文章，未經授權禁止轉載。詳情見轉載須知。