DoNews7月24日消息，海天瑞聲（SH688787）董事長(zhǎng)賀琳近日接受媒體采訪(fǎng)時(shí)表示，大模型高質(zhì)量數(shù)據(jù)的提供，需要高質(zhì)量人工的支持。同時(shí)，數(shù)據(jù)的清洗和標(biāo)注流程對(duì)于模型的質(zhì)量至關(guān)重要，它們可以提高數(shù)據(jù)的質(zhì)量和準(zhǔn)確性，幫助模型更好地去學(xué)習(xí)，也為模型的評(píng)估奠定了一個(gè)很好的基礎(chǔ)。
據(jù)每經(jīng)報(bào)道，海天瑞聲是國(guó)內(nèi)最早投入AI訓(xùn)練數(shù)據(jù)的專(zhuān)業(yè)服務(wù)商之一，2023年，不斷翻涌的大模型浪潮將這家公司推至資本市場(chǎng)的聚光燈下。而身處潮水之中，賀琳對(duì)未來(lái)的思考依舊謹(jǐn)慎。
對(duì)預(yù)期審慎樂(lè)觀(guān)
ChatGPT的出現(xiàn)，讓這家數(shù)據(jù)公司突然站到了資本市場(chǎng)舞臺(tái)中央。2023年初，賀琳在海天瑞聲公司年會(huì)上的發(fā)言稿，80%由ChatGPT完成。開(kāi)年以來(lái)，海天瑞聲股價(jià)一路走高，3月一度漲至191.96元/股，較其2021年8月上市時(shí)翻了一番。
而海天瑞聲方面，則已多次在投資者互動(dòng)平臺(tái)發(fā)布提示，稱(chēng)公司與OpenAI沒(méi)有合作，也尚不能預(yù)期大模型業(yè)務(wù)將帶來(lái)多少收入。賀琳認(rèn)為，合適的入局時(shí)機(jī)應(yīng)該是當(dāng)這項(xiàng)技術(shù)能夠真正在行業(yè)中落地的時(shí)候，這意味著其有真正的應(yīng)用場(chǎng)景，而非偽場(chǎng)景。
同時(shí)，當(dāng)行業(yè)落地時(shí)刻到來(lái)，數(shù)據(jù)的需求量也會(huì)迎來(lái)大規(guī)模提升。4月18日，海天瑞聲正式推出其專(zhuān)為自動(dòng)駕駛場(chǎng)景設(shè)計(jì)的全棧式數(shù)據(jù)標(biāo)注平臺(tái)“DOTS-AD自動(dòng)駕駛標(biāo)注平臺(tái)”。
差距依舊存在
賀琳曾就職于中國(guó)科學(xué)院聲學(xué)研究所，從事語(yǔ)音識(shí)別、語(yǔ)音合成、漢語(yǔ)語(yǔ)言理解、語(yǔ)音心理測(cè)試等方面的研究工作，成立于2005年的海天瑞聲，最初誕生于賀琳在這份工作中捕捉到的行業(yè)痛點(diǎn)。
隨著技術(shù)的發(fā)展，智能語(yǔ)音從實(shí)驗(yàn)室走向大規(guī)模應(yīng)用階段，更多場(chǎng)景的覆蓋需求，意味著數(shù)據(jù)需求隨之大規(guī)模增加。與此同時(shí)，在與一些就職于大型企業(yè)或研究機(jī)構(gòu)的前同事交流時(shí)，賀琳發(fā)現(xiàn)，大家都在關(guān)注數(shù)據(jù)的問(wèn)題。
時(shí)至今日，賀琳覺(jué)得，彼時(shí)促使她創(chuàng)業(yè)的瓶頸依舊存在。在她看來(lái)，數(shù)據(jù)的需求是跟著技術(shù)的發(fā)展而變化的，隨著技術(shù)在各個(gè)行業(yè)中落地，就會(huì)有更多的數(shù)據(jù)需求爆發(fā)。
賀琳稱(chēng)，現(xiàn)在很多人都認(rèn)為，數(shù)據(jù)差距是一個(gè)造成系統(tǒng)性差距的非常重要的原因，所以大家認(rèn)為數(shù)據(jù)還是很重要的要素，這個(gè)瓶頸依然存在。不同的是，自己創(chuàng)業(yè)之初，國(guó)內(nèi)競(jìng)爭(zhēng)對(duì)手少，海天瑞聲得以在市場(chǎng)快速突圍。而如今，國(guó)內(nèi)已經(jīng)出現(xiàn)一批新的數(shù)據(jù)公司，先發(fā)優(yōu)勢(shì)成為當(dāng)下數(shù)據(jù)公司核心競(jìng)爭(zhēng)力的基礎(chǔ)。
龐大參數(shù)支撐
海量數(shù)據(jù)如何最終成功支撐起龐大參數(shù)的大模型運(yùn)行？答案就是數(shù)據(jù)集。賀琳介紹，數(shù)據(jù)集的產(chǎn)生是一個(gè)非常復(fù)雜的過(guò)程，其中包括設(shè)計(jì)階段、采集階段、處理階段以及最后的質(zhì)檢階段。
在設(shè)計(jì)環(huán)節(jié)，需要先去了解數(shù)據(jù)集是為了解決哪個(gè)問(wèn)題，這個(gè)問(wèn)題需要什么樣的數(shù)據(jù)，需要多大的量，需要什么樣的場(chǎng)景，以及采集的樣本、規(guī)模、內(nèi)容，包括采集的設(shè)備、標(biāo)注的規(guī)范等等；采集環(huán)節(jié)則是按照設(shè)計(jì)的方案，到大千世界采集，有可能是聲音，有可能是圖像、圖片，又或是手寫(xiě)的字、道路的場(chǎng)景。
采集完成后則需要進(jìn)入清洗、標(biāo)注環(huán)節(jié)。最后生產(chǎn)出的數(shù)據(jù)集需要通過(guò)雙層的質(zhì)檢流程，最終才能生產(chǎn)出一個(gè)合格的數(shù)據(jù)集。這其中，清洗規(guī)則的好壞、標(biāo)注的準(zhǔn)確性都會(huì)極大地影響數(shù)據(jù)集的質(zhì)量，進(jìn)而影響模型的效果。
賀琳舉例說(shuō)，海天瑞聲的大模型數(shù)據(jù)清洗率是5%，即清洗出來(lái)正確的數(shù)據(jù)僅僅占原數(shù)據(jù)的5%，這也印證了數(shù)據(jù)清洗環(huán)節(jié)的重要性。而標(biāo)注的流程則主要是解決準(zhǔn)確性和一致性問(wèn)題。
賀琳認(rèn)為，高質(zhì)量的數(shù)據(jù)包括了數(shù)據(jù)的豐富度，場(chǎng)景的豐富度，數(shù)據(jù)的準(zhǔn)確性、一致性等，這都是衡量高質(zhì)量數(shù)據(jù)的標(biāo)準(zhǔn)。她也認(rèn)同，高質(zhì)量數(shù)據(jù)的提供，需要高質(zhì)量人工的支持。
