海天瑞聲：大模型高質量數據需要高質量人工支持

7月24日消息，海天瑞聲（SH688787）董事長賀琳近日接受媒體采訪時表示，大模型高質量數據的提供，需要高質量人工的支持。同時，數據的清洗和標注流程對于模型的質量至關重要，它們可以提高數據的質量和準確性，幫助模型更好地去學習，也為模型的評估奠定了一個很好的基礎。

據每經報道，海天瑞聲是國內最早投入AI訓練數據的專業(yè)服務商之一，2023年，不斷翻涌的大模型浪潮將這家公司推至資本市場的聚光燈下。而身處潮水之中，賀琳對未來的思考依舊謹慎。

ChatGPT的出現，讓這家數據公司突然站到了資本市場舞臺中央。2023年初，賀琳在海天瑞聲公司年會上的發(fā)言稿，80%由ChatGPT完成。開年以來，海天瑞聲股價一路走高，3月一度漲至191.96元/股，較其2021年8月上市時翻了一番。

而海天瑞聲方面，則已多次在投資者互動平臺發(fā)布提示，稱公司與OpenAI沒有合作，也尚不能預期大模型業(yè)務將帶來多少收入。賀琳認為，合適的入局時機應該是當這項技術能夠真正在行業(yè)中落地的時候，這意味著其有真正的應用場景，而非偽場景。

同時，當行業(yè)落地時刻到來，數據的需求量也會迎來大規(guī)模提升。4月18日，海天瑞聲正式推出其專為自動駕駛場景設計的全棧式數據標注平臺“DOTS-AD自動駕駛標注平臺”。

賀琳曾就職于中國科學院聲學研究所，從事語音識別、語音合成、漢語語言理解、語音心理測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。

隨著技術的發(fā)展，智能語音從實驗室走向大規(guī)模應用階段，更多場景的覆蓋需求，意味著數據需求隨之大規(guī)模增加。與此同時，在與一些就職于大型企業(yè)或研究機構的前同事交流時，賀琳發(fā)現，大家都在關注數據的問題。

時至今日，賀琳覺得，彼時促使她創(chuàng)業(yè)的瓶頸依舊存在。在她看來，數據的需求是跟著技術的發(fā)展而變化的，隨著技術在各個行業(yè)中落地，就會有更多的數據需求爆發(fā)。

賀琳稱，現在很多人都認為，數據差距是一個造成系統性差距的非常重要的原因，所以大家認為數據還是很重要的要素，這個瓶頸依然存在。不同的是，自己創(chuàng)業(yè)之初，國內競爭對手少，海天瑞聲得以在市場快速突圍。而如今，國內已經出現一批新的數據公司，先發(fā)優(yōu)勢成為當下數據公司核心競爭力的基礎。

海量數據如何最終成功支撐起龐大參數的大模型運行？答案就是數據集。賀琳介紹，數據集的產生是一個非常復雜的過程，其中包括設計階段、采集階段、處理階段以及最后的質檢階段。

在設計環(huán)節(jié)，需要先去了解數據集是為了解決哪個問題，這個問題需要什么樣的數據，需要多大的量，需要什么樣的場景，以及采集的樣本、規(guī)模、內容，包括采集的設備、標注的規(guī)范等等；采集環(huán)節(jié)則是按照設計的方案，到大千世界采集，有可能是聲音，有可能是圖像、圖片，又或是手寫的字、道路的場景。

采集完成后則需要進入清洗、標注環(huán)節(jié)。最后生產出的數據集需要通過雙層的質檢流程，最終才能生產出一個合格的數據集。這其中，清洗規(guī)則的好壞、標注的準確性都會極大地影響數據集的質量，進而影響模型的效果。

賀琳舉例說，海天瑞聲的大模型數據清洗率是5%，即清洗出來正確的數據僅僅占原數據的5%，這也印證了數據清洗環(huán)節(jié)的重要性。而標注的流程則主要是解決準確性和一致性問題。

賀琳認為，高質量的數據包括了數據的豐富度，場景的豐富度，數據的準確性、一致性等，這都是衡量高質量數據的標準。她也認同，高質量數據的提供，需要高質量人工的支持。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。