在大模型时代，各行业都需要基于自身数据打造超级员工，以提高企业的生产效率。模型和算力可以购买，但数据需要精细化、全流程的管理，才能释放真正的价值。企业需要搭建可发现、可管理、可协作、可迭代的数据管道，才具备获取数据、生产数据、持续迭代数据的能力，促进内部以数据为中心的协作，从而在AI 2.0时代中获得核心竞争力。
在这样的背景下，深耕数据科技领域的资深玩家——星尘数据在近日发布了专注于数据价值发现的平台MorningStar，旨在打通AI算法从训练到生产全链路中的数据管理、迭代、优化、挖掘等闭环链路。发布会间隙，星尘数据创始人&CEO章磊向《汽车观察》记者畅谈了企业数据管理在人工智能2.0时代的意义、行业痛点以及解决方案。
人工智能迎来四大发展趋势
近年来，AI算法经历了多个发展阶段，都和数据的突破息息相关。章磊指出，人工智能迎来四个发展趋势。
第一个趋势是：数据技术驱动人工智能发展三次变革。“数据技术是推动人工智能发展变革的核心原因。2009年，ImageNet项目充分展示了深度神经网络的潜力。该项目不仅证实了深度学习模型处理复杂视觉任务的能力，也凸显了大规模标注数据在训练高效模型中的重要性。2017年，Transformer架构的推出及其在BERT和GPT等模型中的应用，带来了另一次飞跃。这一阶段的关键创新在于能够利用全网数据进行大规模并行训练，显著提升了模型的理解和生成能力。2022年，大语言模型进一步证明了数据策略和数据质量对于模型的重要性。”章磊解释。
第二个趋势是：数据管理职责细分化，企业数据债亟需消除。章磊认为，数据管理正在经历职责细分化，从以个人为中心的协作将转变为以数据为中心的协作。AI数据全生命周期管理，可促进多角色的数据统一认知。
“过去，我们需要算法部门、业务部门、产品部门和技术部门等多个部门共同协调和统一。在从数据到算法的流程中，由于中间层的存在，沟通效率往往降低。未来的企业需要一个让所有参与者站在同一个视角下协作的平台。在AI研发的不同阶段，如早期、中期和晚期，算法的视角、理念和认知是不断变化的。同时，部门之间，如服务和运营部与项目执行部，以及人与人之间，如算法工程师之间，存在认知鸿沟，导致很多数据的语义背景信息难以通过文档或邮件清晰传达，因此，我们需要一个以数据为中心的载体，来清晰表达数据背后的语义信息。”章磊表示。
第三个趋势是：AI生态发展将以数据闭环为中心。章磊坦言，过去以模型研发为中心，数据相对固定，而随着模型不断迭代，模型效果提升主要来自数据，转向Data-centric AI。以大模型为例，模型架构变化不大，真正变化的是背后的数据。以GPT为例，从GPT2到GPT3，数据集的量从40GB增加到45TB。而从GPT3到GPT4，不再是数据量的增加，而是全网数据的利用，包括数据训练策略、数据清洗、数据整理、数据分布以及人类反馈等方面。
在章磊看来，未来算法的发展将类似于互联网时代的快速迭代，这种迭代不是改变模型架构，而是优化数据。
第四个趋势是：通过AI打造超级员工，企业生产力将十倍提速。章磊指出，通过AI打造企业的超级员工，将使企业成为24小时不停运转的超级大脑，所有员工围绕这个大脑不断沉淀数据和大模型，然后将大模型的能力赋能给企业。
数据成为AI 2.0时代差异化竞争力
章磊介绍，自2022年以来，大模型驱动企业经营效率提升10倍已成为可能，关键在于企业数据能不能成功打造超级员工。“超级员工可以帮助企业完成研发、代理、销售产品、财务等任务，但并非所有数据都同等重要，只有那些黄金数据集才能有效帮助模型迭代。如何准备这些数据集已成为自动驾驶公司、车厂和各类企业的核心竞争力。”
MorningStar的设计灵感源自人的海马体。在章磊看来，只有“记忆”是属于企业自己的，企业的核心知识、信息和数据就像人的海马体一样，应该存在于企业内部的固定数据管理系统中。
随着大模型的发展，企业员工数量可能会减少，企业只有自身具备沉淀私域高质量数据的能力，即可直接用于生成超级员工的数据，才能获得市场竞争的核心优势。“在AI 2.0 时代，掌握自己的数据就是掌握自己的模型。企业数据价值的核心在于定义、管理和迭代。”章磊说道。
章磊认为，数据管理的首要要求是可管理性；其次是可挖掘性，即在数据中挖掘出对模型有价值的信息；第三是可迭代性，数据需要根据模型和用户反馈不断变化；第四是可优化性，数据应不断优化并协同工作，以打造真正属于企业的数据资产。
MorningStar打通AI数据全生命周期管理
AI的变革凸显了数据技术在推动机器学习算法进步方面的关键作用。据章磊介绍，算法开发过程中有80%的工作与数据相关。一个算法的上线部署需要经历需求定义、方案制定、数据采集、数据标注、模型设计、训练、指标测试、推理优化等等。在各个环节中，各个角色跨组织协同会导致企业数据债（指的是企业当前状态与最大化数据价值之间的差距，包含算法和其他部门的认知差别、项目时间上的认知差别、文档和数据语义的差距、不同数据集定义之间的差距等）的产生。数据债不仅会导致数据价值无法释放，运营成本不断增加，还会影响模型的上线和迭代效率。
正是基于对行业的深刻认识，为了帮助企业建立高效的数据闭环系统，实现数据价值最大化和模型效果最优化，星尘数据开发了满足AI 2.0时代数据管理需求的全能工具——MorningStar。章磊表示：“MorningStar专注于发现数据价值，加速模型迭代，为AI 2.0打造以数据为中心的协作环境，消除数据债。”
▲MorningStar数据闭环
据章磊介绍，MorningStar是目前市面上唯一一个专为AI 2.0时代企业打造的数据闭环产品，覆盖AI算法从训练到生产全链路中的数据管理、迭代、优化、挖掘等闭环链路。
据悉，在机器学习中，模型在整个流程中所占比重很少，算法工程师绝大部分时间都是花在思考业务、数据标注和数据分析上，以提高模型的泛化性。算法工程师需要耗费大量的时间和精力仔细研究数据，找出异常之处，了解数据规律，反复编排流程，比较版本差异，以提高模型的泛化性，达到最佳效果。如：难以直观看到数据分布，效率低；数据语义缺乏记录，难复现；数据指标不完善，难挖掘；数据量巨大，检索困难......
▲AI数据发现、管理、协作、迭代平台Morningstar
针对这些痛点，星尘数据自主研发了AI数据全生命周期管理功能，强化数据版本控制、快捷数据切片、可追溯数据血缘和安全管控。
▲语义检索
通过数据全生命周期可视化管理，MorningStar确保数据运营统一管理和快速迭代；支持灵活数据切片、多模态、自定义数据检索，挖掘数据价值，快速提取特殊场景数据；同时，集成主流难例数据发现策略，如主动学习等，为算法工程师提供数据特征分布、可视化和挖掘、模型指标计算等便捷功能。此外，MorningStar汇聚数据资产及使用数据，实现企业数据资产管理，使团队协作更安全、数据迭代可追溯，打破企业内部的“数据孤岛”，助力企业在AI 成本投入、算法精度和数据应用能力提升等方面。
谈及未来，章磊展望道，星尘数据将不仅用MorningStar助力AI 2.0发展，还将持续以数据为中心，推出新的功能和服务，发现数据价值，加速AI创新。
