人工智能行业有句老话：有多少人工，就有多少智能。
经常有人问我，这个问题能否用AI解决，那个问题能否用AI解决。
我的回答是，首先看你有多少数据，以及有多少人搞数据。
数据的重要性不言而喻，在我之前的文章有谈及。
而很多人忽略的一个事实是，搞数据的人力储备，同样不可或缺。
我们知道计算机视觉的模型训练，依赖大量的样本图片。首先要有足够的原始图片，有了图片后还要对数据进行组织和标注，这两项都是耗时巨大的工作。
先说说数据组织
一般缺乏数据的中小型公司，会采取众包、爬虫等方式获取外部数据。
而对平台型公司，自己的业务就能产生海量数据，这种是机器学习最佳实践。
但是，不意味着有数据来源，工作就轻松了。
对数据的组织、整理、分类，又是一项费时费力的工作。
再次以机器审核为例，通过模型训练，自动识别图片是否违规（比如色情、涉政）。
我们自己的业务，每天大概产生一亿张图片，这些图片都进入机器学习模型，用来做秩序审核。
模型审核的结果，包括两种可能：违规、不违规。
但是，这只是机审的结果，它可能正确或不正确，因此需要人工二审介入。
人工二审的工作点：
- 在违规图片里，审核出哪些是真的违规（TP）、哪些是误判的（FP）
- 在不违规图片里，审核出哪些是真的不违规（TN）、哪些是漏判的（FN）
工作流程如下：
上述TP、FP、TN、FN四个成分，是我们最终需要的数据，用来产生模型训练的样本，构建合适的数据分层。
我们看到，人工二审在这个体系里至关重要，它负责结果的最终正确性。
线上每天产生一亿张原始图片，假设机审的结果，识别为正的图片为10万张，那么人工二审就要在10万张里，挑选出TP和FP。
识别为负的图片有9千多万张，自然不可能全部人审，那么就抽样。哪怕是按5%抽样，也有将近500万张图片，需要在其中挑选出TN和FN。
这是一项工作量十分巨大的工作，我们有几十号人兼着来做这个事。
再说说标注
同样是一项耗时费力的工作，还要依赖于先进的工具，比如好用的标注系统。
前面文章说过，标注规则依赖于业务的不同而不同，有的简单，大多数很复杂。
我自己试过标一项人体关键点数据，半天才标了50张，头昏脑涨的。
而线上系统每天产生数万张图片要标注，这个工作量可想而知。
标完还要审，因为每个人对标注规则的理解不一致，不太可能一次性标完就通过。
不过，标注有一些可以省力的地方，包括：
- 标的时候，用模型预标注，再由人工去核对，就快得多
- 审的时候，可以采用多标方式，标完由模型过一遍，如果多个人标的结果一致，则自动通过；如果结果差异大，则打回重标
没有轻松的数据工作
样本的数量，标注的质量，对模型的结果至关重要。而不管样本还是标注，都意味着非常巨大的工作量。在进行机器学习业务之前，先想清楚自己是否有足够的数据，以及是否有足够的人来处理数据。