如今調戲Siri已經成為網友們的固定節目。數據顯示，蘋果語音助手Siri大約每天會收到全國427000個問題，其中80%的問題都是：“你會說東北/四川/湖南話嗎？”“來段beatbox好嗎？”

不得不說，Siri真的為人類付出太多了。事實上，像Siri這樣的AI聊天機器人，生來并不是為了逗笑人們，而是作為一個虛擬AI助手，去幫助用戶解決生活中各種各樣的問題，比如天氣預報、吃飯訂餐、查詢新聞資訊、交通路線等等。

這背后，不乏有AI企業的深耕細作，同時也有眾多傳統企業智能化轉型，運用AI技術優化用戶體驗、增強企業協同效率等。

然而，由于AI聊天機器人背后的NLP（自然語言處理）技術太過艱深，打通了NLP技術的“任督六脈”，幾乎等同于擁有了人類的認知智能，因此至今沒有任何一個科技巨頭敢宣稱自己的AI產品擁有和人類一樣的語言和認知能力。

這也是為什么盡管蘋果Siri、亞馬遜Alexa、谷歌Google Assistant、微軟Cortana等各種AI聊天機器人，每天都在孜孜不倦地改進自己的NLP技術能力，但是在和人類的對話中，依然會出現令人發笑、困惑、擔憂等多種結果的原因。

最近，亞馬遜Alexa再次爆出負面新聞，有用戶稱在使用Alexa期間，提問過有關心跳周期信息的問題，Alexa竟回應稱“心跳是人體中最糟糕的過程，人活著會導致自然資源的迅速枯竭同時會導致人口過剩”，并建議用戶刺死自己。

這種恐怖的對話，不禁讓人們想起了2016年微軟推出的一款AI聊天機器人Tay，上線不到一天的時間就被網友們教成了滿口臟話的“小孩”，在Twitter上大肆發布各種胡言亂語的帖子，導致Tay在24小時內被迫下架。

如果一個“智能低下”、“胡言亂語”的AI被廣泛應用于商業化產品中，其后果可想而知，不僅是AI產品質量飽受質疑，還可能會釀成大禍。因此，提升AI產品的認知智能水平，即背后的NLP技術，成為現階段AI商業化競爭的關鍵點。

事實上，NLP作為AI技術中的一個重要分支，同樣依賴算力、算法、數據三因素。其中，算力基于IT基礎設施的發展，NLP算法基于深度學習的突破，在近年來都得到了較大的進展，但是作為NLP技術得以落地的“養料”——NLP數據，卻一直處于較為“粗糙”的狀態。

從草莽到高標準

NLP數據服務進入4.0時代

在人工智能時代，數據的重要性不言而喻。很多號稱擁有海量數據的公司，其實有的只是非結構化或未標注過的數據。數據標注，才是將數據轉化為AI商業價值的重要一環。

數據標注，即針對語音、圖像、文本等數據，通過貼標簽、做記號、標顏色或劃重點的方式，來標注出其中目標數據的不同點、相似點或類別。有了被標注過的數據，AI算法才能在其基礎上進行訓練和學習。同時，數據標注的質量越高，AI學習和產出的結果越精確，AI也就顯得越智能。

舉個例子，在生活中如果想要訂機票，人們會有很多種表達：“訂機票”；“有去上海的航班么”；“要出差，幫我查下機票”；“查下航班，下周二出發去上海”......這些表達方式，有無窮多的組合，都代表“訂機票”的意圖。聽到這些表達的AI，要如何才能準確理解這些表達指的都是“訂機票”這件事？

如果沒有數據標注員對大量的句子進行標注，比如提煉出主題、標出實體、進行意圖分類、情感分類等等，給AI提供詳盡高質的“教材”，那么AI即使有了算法和算力，也無法訓練出任何“智能”。

隨著近年來深度學習算法的興起，需要依賴于大量標注的數據基礎上才能發揮作用，業界對數據標注的需求量隨之暴增，因而提供數據標注服務成為AI領域一個熱門生意。

在全球知名的數據標注眾包平臺亞馬遜Mechanical Turk上，發布者只需要填寫簡單的個人信息就可以開始工作，自行上傳標注任務。截至2011年1月，MechanicalTurk上的注冊工人數量已經達到了50萬。在2016年，有大約5％的美國人通過 MechanicalTurk賺錢，而這個數量已經超過了優步司機。

在中國，目前全國從事數據標注業務的公司約有幾百家，全職的數據標注從業者有約20萬人，兼職數據標注從業者有約100萬人。由于數據標注需求的井噴，為整個數據服務行業的發展按下了快進鍵。

據智研報告顯示，2018年，中國數據標注與審核行業的市場規模已達到52.55億元。在數據標注賽道中，不乏互聯網大廠的身影，更多的是瘋狂涌入的創業公司。在廉價勞動力迅速擴張的比拼中，數據粗放、混亂、復用的情況屢見不鮮，整個行業呈現出一派草莽的氣質。

然而，數據標注工作真的有想象中的那么簡單嗎？良莠不齊的標注數據質量，真的能夠滿足AI算法迭代的要求嗎？

在AI商業化初期，AI算法對數據的精度要求不高，日常的AI訓練首先要求數據量大，數據標注質量要求相對不那么嚴格。但是隨著AI與各個產業結合得愈加緊密，AI商業化程度進入新的高度，企業對AI在商業化落地中的表現要求越來越高。為了保證AI算法的識別精度，數據標注的質量也就變得至關重要。

例如，在金融保險行業，早期對AI客服機器人的要求只停留在“用戶提問后，對其中的關鍵詞進行提取，并按照既定話術回答”。雖然最終回復很多是驢唇不對馬嘴，或者根本無法回答用戶的問題，但是并不妨礙保險業務的正常開展，畢竟人工客服才是回答用戶提問的主力軍。

但是在互聯網金融業務競爭異常激烈的今天，越來越多的用戶習慣在網上辦理業務，AI客服機器人正在大規模地取代人工客服，AI問答的準確性將直接決定業務的效率和成本，并影響用戶體驗，很大程度上決定了金融機構的競爭力。

如果說NLP標注數據的初期階段，能夠將各大金融機構的AI客服機器人訓練到大致相當的初級認知智能水平，那么向更高級認知智能進發的每一步，都要求質量更高、針對特定需求提供的NLP標注數據。

因此，云測數據這種新的數據服務模式——以企業具體需求進行數據采集和標注的定制化、高質量數據服務由此誕生。

站在AI數據服務的發展歷史角度看，從數據1.0時代的互聯網沉積數據，到數據2.0時代的通用型數據產品，再到數據3.0時代的眾包數據服務，如今的高質量數據服務已經進入了數據4.0時代。

通過更加規范性的組織管理和質量控制，為人工智能迭代提供質量更高更可靠的數據服務，從而為現階段AI商業化競爭提供高質量的數據支撐。

“搶手”的高質量NLP數據

“稀缺”的數據服務商

事實上，越來越多的企業已經意識到了高質量NLP數據的重要性。當AI技術落地到金融、家居、醫療、教育、汽車、工業等各個行業，在AI商業化下誕生的客服機器人、智能音箱、智能問診等各種AI產品，都對AI技術和NLP數據提出了更高的要求。

尤其是行業頭部企業，為了保持自身的競爭優勢，哪怕只是在行業平均水平上提升1%-2%的AI認知智能的準確性，也必須追求更高質量的、符合業務需求的NLP數據。因此，在AI產業蓬勃發展、市場競爭愈發激烈的倒逼下，符合企業需求的高標準NLP數據服務已成為行業頭部企業的剛需。

然而，在洶涌的市場需求面前，供給側卻出現了短缺，市面上能夠提供這種高標準服務的公司屈指可數。究其原因在于，數據采標行業門檻雖低，但天花板很高，能做到頂尖并不容易。在這一新興領域，專精于定制化、場景化、高質量數據服務的云測數據一路高歌猛進，成為國內AI數據標注領域的頭部企業。

云測數據采用自建的數據場景實驗室和數據標注基地，為智能駕駛、智能家居、智慧城市、智慧金融、零售等領域提供的數據采集、數據標注服務。在眾多毫無技術含量、以廉價勞動力構建的數據標注“血汗工廠”中，主打高質量服務的云測數據顯得頗有些“另類”。

首先，為了產出更高質量的數據，云測數據有一整套的標準化流程和方法論。

在項目前期，項目經理會與客戶反復溝通，幫助客戶梳理更貼合實際情況的需求，達成一致后再逐漸引入標注和質檢人員，通過每天面對面的溝通和培訓，以確保每個人能夠理解并掌握標注有關技術，試標驗收合格后，再進行大批量的規模性標注。

在項目過程中，為了確保標注人員能夠做出正確的判斷，云測數據有專門的培訓師，對每個行業細分領域的專業知識進行培訓，以及標注技能和業務流程的培訓。甚至員工之間開玩笑的說“經過金融保險行業知識培訓的標注員們，都能夠直接去賣保險“。

在數據標注作業提交后，云測數據還有三層質檢環節，對于準確率達不到要求的數據會打回重新標注。在完成三層質檢后，還有抽檢環節，確保數據的高質量輸出。

其次，在人員作業素質上，云測數據也顛覆了傳統數據標注行業的“混亂”氣質，對數據服務團隊的專業化能力有著嚴格要求。

以智能客服業務場景為例，當客服詢問用戶是否購買此商品時，各種用戶會給出不同回答：“我要和家人商量一下”；“我會考慮”；“我現在不方便，你一會兒再打過來”等等，背后的意圖有很多種，可能是暫不購買，暫不考慮，拒絕購買或者興趣較大。那么，NLP數據標注就需要對這些對話背后的意圖進行標注和分類。

在云測數據，以智能客服單個場景的意圖標注，就分為10-20個大類，上百個子類，根據業務需求可能還會有進一步的標注細分。

除了對NLP數據進行對話意圖、領域、槽位等進行判斷和標注，多角度的泛化也必不可少。也就是說，無論用戶說的是地方話還是普通話，有沒有出現口誤，還是以不同的句子表達同一個意思，AI都能夠讀懂句子并給出正確的回答，這就要求NLP數據標注員對句子進行泛化，以不同的描述方式重組或擴充句式、標簽等，以提升AI對話的準確度。

值得注意的是，相比圖像、視頻等數據類型，NLP數據采標方式更為復雜。據云測數據總經理賈宇航介紹，圖像采標有很強的規則性，按照規范化的指導文檔工作即可。

但NLP數據對應的是語言的豐富性，需要結合上下文等背景去理解和處理，客戶給出的需求文檔只是讓數據服務人員能夠理解，這件事情背后的目標和意義是什么。在這一過程中需要數據服務人員對需求進行拆解、預判甚至提前給出建議，與客戶反復溝通確認達成一致后，才能真正地去作業。

這對于數據服務人員的專業化能力、對業務場景的還原能力、作業協同能力，都有很高的要求。尤其在醫療、法律、教育、智能駕駛等高度專業化的領域中，標注人員并不是隨便找一個普通人員就可以做，標注人員需要非常專業，才能進行正確的數據標注與解讀。

為了保證整個數據團隊的專業能力，云測數據在人才的選拔、培訓、考核、晉升上有著完善的機制，也對保證數據保質量產出有著十分積極的促進作用。

再次，在技術層面，云測數據對軟硬件設施的持續投入，直接拉高了行業的進入門檻。

云測數據自研的數據標注平臺會根據實際使用中的反饋，以每周甚至更快的頻率進行功能迭代，以技術結合更多的落地場景，不斷提升數據標注工具的技術含量。同時，云測數據也致力于通過工程化開發來減輕數據標注中的重復勞動，提升業務效率。

最后，在企業客戶最為看重的數據安全和隱私方面，云測數據也有自己的原則和技術保障。

第一，數據絕不復用，是云測數據的核心原則。對于客戶定制的數據需求，交付后全部清刪，云測數據既不會自己留底，也不會把定制數據復制給其他客戶，可以說云測數據一直在花大力氣樹立數據安全和隱私的標桿，以負責的態度來服務客戶。

在賈宇航看來，讓企業擁有數據會成為企業核心的競爭壁壘，客戶找到云測數據合作，一方面是信任，另一方面也是云測數據能夠幫助客戶獲得相應的競爭性。

第二，為了保證絕對的數據安全，云測數據與所有數據采集的用戶都簽訂數據授權協議，保證企業用于訓練的數據合法合規。同時，云測數據內部還設定了數據隔離、質量保障等一系列數據安全流程和技術。

在數據服務市場，數據質量是硬指標，企業客戶會通過人工校驗、算法檢驗等多種方式去驗證數據采標的合格率和通過率。經得起市場考驗，才有活下去的機會。

按賈宇航的話說，“我們以企業服務的方式，為標注的精準度負責”。

在云測數據服務的數百家企業中，既有各大頭部AI企業，也有各個行業的龍頭企業。這些企業在追求更高的AI認知智能準確度的過程中，合作過各種各樣的數據服務商，最終找到了數據標注質量非常高的云測數據，并保持著長期良好的合作。

事實上，除了數據采標的質量和安全，數據服務商的全品類服務能力，以及獨立第三方的身份，也是企業進行AI合作所考量的重要因素。像云測數據這樣的服務商，不做算法，不涉及客戶業務，只提供專業的數據服務，讓企業客戶在合作時倍感放心。

從某種程度上說，如此苛刻的要求，也進一步導致了頂尖數據服務商的稀缺。

高標準數據服務處于爆發前夜

頭部服務商主導市場

如今，AI產業在政策紅利和藍海市場的雙重利好中迎來快速發展，其中NLP市場發展也進入了快車道。

據《中國人工智能發展報告2018》顯示，2017年中國人工智能智能市場規模高達237億元，其中自然語言處理市場49.77億元，占比21%。預計到2020年，中國在人工智能的市場規模將接近500億元，自然語言處理領域也將是一個百億級的市場。

不難預料，為自然語言處理市場提供“養料”的NLP數據服務，同樣處于爆發前夜。目前，自然語言處理已經有了許多商業化應用，如：機器翻譯、輿情監測、自動摘要、問答機器人、客服機器人、電銷機器人、智能推薦等，在龐大的市場規模和市場需求下，高質量的NLP數據服務也將成為AI商業化發展的必然趨勢。

值得注意的是，雖然高質量NLP數據需求爆棚，但是在市場上，像云測數據這類優質數據服務商會持續稀缺，供需不平衡很難在短期內解決。

從供給側看，高質量業務的競爭壁壘很高，由高素質人才、專業化流程和方法論構建出的軟實力，很難在短期內實現超越?？此茦I務模式很重的模式，實際上給擅長“輕裝上陣”、以平臺效應進入賽道的互聯網巨頭們，設下了短期內無法逾越的鴻溝。正如經緯的創始合伙人張穎所說：“所有輕公司以后都會做重，只有做重才能有效抗拒巨頭殺入，也唯有如此才能做大。”

從需求側看，一方面，AI商業化對NLP數據的要求還在繼續提高，數據服務的業務操作會越來越復雜，無論是在數據采集的樣本多樣性、場景多樣性方面，還是在數據標注的數據精度、領域知識方面，數據服務商都面臨不斷升級的業務難度。對于后進者而言，沒有專業知識、技術和行業經驗的日復一日的積累，這種競爭差距只會越拉越大。

另一方面，由于AI算法需要源源不斷地輸入高質量的標注數據，好的數據服務業務粘性很高，以云測數據為例，一個項目在建立合作之后，往往會帶來長達2-3年的持續合作，這就產生了馬太效應，強者恒強。

從供需雙方合作的現狀看，高質量、定制化數據服務是一個新興領域，供需雙方的合作模式還在升級和探索中。曾經習慣大包大攬、自建數據采標團隊的企業，如今也在逐漸轉向尋求專業的數據服務商合作。

在這一過程中，供需雙方會出現更加明確的分工，也會在市場競爭的淘洗中，沉淀出最為優質的服務商。而這種合作模式的探索，最先會從各行業的頭部企業和頭部服務商開始，逐漸在眾多中小型企業中形成“示范效應”。

“沒有好的數據，人工智能就沒有未來”，這句話已經成為業界共識。在巨大的AI商業化需求下，高質量的數據已成為AI業務競爭的關鍵，由此誕生的數據服務也將是未來最重要的趨勢之一。可以預見，高標準數據服務這一新興市場亟待爆發，從長期看必將經歷從荒蕪到繁榮、從亂象到規范的發展過程，繼而承載著AI技術進入更加智能的下一階段。