自动驾驶——疫情危难中显身（shēn）手

2020年，一（yī）场（chǎng）突如其来的新冠肺炎肆虐（nuè）全球， 导致不同国（guó）家（jiā）的人（rén）们被迫（pò）隔离或保持社交距（jù）离，人与（yǔ）人之间的接触变（biàn）得（dé）风险（xiǎn）极高。一时间，人（rén）们对于人工（gōng）智能机（jī）器（qì）人、自动驾驶等可有效解决（jué）人（rén）与人（rén）接触（chù）的（de）“无人”技（jì）术的出现与应用（yòng）翘（qiào）首（shǒu）以待。疫情期间，从无接（jiē）触测温到在（zài）线办公，云会议、在线教育（yù）、在线发（fā）布会、云逛街（jiē）、云（yún）旅游等，人（rén）工智能（néng）在这场战（zhàn）役（yì）中大显神威（wēi），以前没有的（de）模式在不断被创造，人工智能对（duì）众多行业的“赋能”作用也开始显现并迅速获得（dé）人们的青睐。

特别（bié）是一些物资运输（shū）和物流（liú）方已经采用无人车送（sòng）货的方式，避免人与人直接（jiē）接触的问（wèn）题；有些医院采（cǎi）用（yòng）了无人消毒、清洁车；有些在医（yī）院（yuàn）为患者进行无人（rén）送餐（cān）等。诸如这些（xiē）鲜（xiān）活的事例在这次（cì）疫情中可以说是不胜枚举。

据统计 ，我国这次采用自动（dòng）驾驶的达到十几个地级市，北上广（guǎng）都（dōu）涵盖在其中，同时此次使用的（de）投入量也达到数百个。不仅（jǐn）在（zài）国内，国外（wài）也是如此，法国的NAVYA与美国的（de）诊所（suǒ）合作，也开始进行无（wú）人车配送药品（pǐn）或者检测样本。

“自动驾驶”在这次疫情中实际的投入和使用，虽然是（shì）牛（niú）刀小试，但足以让人们对（duì）此有了全新的认识。由此我（wǒ）们看到了自动驾驶领域应（yīng）用的广泛前景和巨大（dà）市场潜力。自动驾驶一直是人类对未（wèi）来的幻想（xiǎng），而想要实（shí）现真正的无人（rén）驾驶仍然（rán）面临诸多挑战。如何（hé）快速实现商业化，是现在很多投（tóu）资（zī）自动（dòng）驾驶的公司（sī）所倍加（jiā）关注的问题（tí）。以前更多的聚焦是在无人车是一种（zhǒng）交通工具，主（zhǔ）要用于解（jiě）决运输人的问题；而现在，它更像是（shì）可以成（chéng）为替（tì）代简单重（chóng）复性工作（zuò）的“助（zhù）理”。

为（wéi）了使（shǐ）汽车行业制造出最高效、最安全（quán）的无人（rén）驾驶汽车（chē），汽车投资者必须采取（qǔ）消费者至上的思维方式才能居于领先。事实上对于（yú）大多数的驾驶员来说，当下的驾驶体验仍然事与愿违。原本用于（yú）导航、通信和（hé）娱乐的免（miǎn）提系统应该尽可能减少干扰，但是目前差（chà）强人意的语音识别功能每（měi）每让人（rén）沮丧，反而给驾驶（shǐ）员带来（lái）了更多不必要（yào）的干扰。新的无（wú）人（rén）驾驶和驾（jià）驶辅助（zhù）功能虽然（rán）已经（jīng）有所改善（shàn），可以提供（gòng）一定帮助（zhù），但它们还远远（yuǎn）不能达到理想状态（tài）。唯有那些致力（lì）于提升消费（fèi）者体验的（de）企业，才（cái）能最终在竞争中脱颖而出，无论是（shì）乘客或驾驶员在（zài）车内的内部体验，还是（shì）提（tí）升安全性（xìng）和自主性（xìng）的汽（qì）车外（wài）部体验（yàn）。

目前疫情在国内已经受到一（yī）定程度（dù）的（de）控制，疫情终会消散，但（dàn）谁也不敢预（yù）言疫情会（huì）不（bú）会卷土重（chóng）来（lái）？那（nà）么未来的驾驶又（yòu）将会是什么样子？何时我（wǒ）们才能（néng）够抵达未来？

未来自动驾驶不仅（jǐn）仅是（shì）技术问题——问题和挑战

虽然 AI 技术正在迅（xùn）速走向成熟，但 AI 的发展（zhǎn）所（suǒ）涉及的不仅仅（jǐn）是技术（shù），还（hái）包括（kuò）监管（guǎn）、业务和产品挑（tiāo）战（zhàn）、社会认可和（hé）新技术发展方面（miàn）的挑战。就自动驾驶（shǐ）来说主要（yào）涵盖复杂程度、安全性（xìng）、本地化和（hé）再训练几个方（fāng）面。

首先以（yǐ）接送孩（hái）子上下学为例。其中涉及的（de）不仅仅是从（cóng） A 点到 B 点行驶的技术（shù），还（hái）有由谁来负责巴（bā）士的安全（quán）？政府、巴士制造商、AI 软件工程师、还是（shì）由他们（men）一起负责？一旦出（chū）了问题了，该怎么办？在旅途（tú）中如（rú）何监（jiān）控孩子的行为，如何处理从巴士到学校的责任（rèn）转移？这些恐怕都涉（shè）及到需要立法、法规和保险业的（de）全面投（tóu）入才能（néng）逐一（yī）获得很好、妥（tuǒ）善的（de）解决。

其次，供应（yīng）商必须弄（nòng）清楚如何收（shōu）集和处理大量数（shù）据，才能支持成千上万辆同时交互的无人驾驶汽车。在投入生（shēng）产（chǎn）之前，还必须能（néng）够证明产品（pǐn）足（zú）够安全（quán）可靠，并且足以抵（dǐ）御网络的恶意攻击。最后，他们必须开发（fā）一种能支持（chí）解（jiě）决方案（àn）扩展的业务模式。

千（qiān）人（rén）千面，并非每（měi）个人（rén）都对无人驾驶（shǐ）汽车（chē）感（gǎn）兴趣。因此，我们可（kě）能会（huì）遇到（dào）周围一（yī）些思想和行为（wéi）上偏保守的人（rén）的强烈抗拒乃至强行抵制。也（yě）就是说自动驾驶必须（xū）首先解决的是观念和意（yì）识（shí），也就是（shì）信任两个字。事实上凡是每当出现一项重大的新技术，我们（men）都会面临这些问题。某种（zhǒng）程度上讲，我们如何管理无（wú）人驾（jià）驶和自动驾驶汽车的（de）这些问题，将影响人们对这（zhè）种急（jí）剧的（de）社会变革的接受程度，以及从长远来（lái）看，如何评（píng）估它（tā）对于社会发展（zhǎn）的进程到底是利还是弊。

随（suí）着5G+IOT+AI等新技术的到来（lái），物理世界的一（yī）切都会被映射到数字世界，无（wú）人（rén）驾驶领域也即将进入（rù）车驾（jià）智能感知时代，换句（jù）话说就是把道路也变成智能的。在（zài）道路部署很多的RSU（Road Side Unit），配上激光雷（léi）达的扫描处理，让汽车和（hé）道路进行信息的即时传递，以（yǐ）此大幅提升无人车路（lù）径规划和决（jué）策的准确性。随着（zhe）5G的（de）商（shāng）业化部署和其他新技术引入（rù），势必也将给无人驾驶汽车行业和各国政府所选择（zé）的技（jì）术路线带来（lái）更多（duō）新的机遇和挑战。

复杂程度：与基本（běn）要素（sù）一样（yàng），企（qǐ）业可能没（méi）太关注复杂程度如（rú）何影响其项目。通过寻找可靠（kào）的数据合作伙伴（bàn），他们的专业知识可以（yǐ）为企业提（tí）供指导和见解。例如，本（běn）体（tǐ）越大，项目就越复杂。一个经验丰富的数（shù）据合作伙伴将帮助您（nín）确定这种情况如何导致您投入更（gèng）多的（de）时间和成本，并找到与您的整体业（yè）务目标（biāo）契合的解决方案，这对于考虑图（tú）像和视频至（zhì）关重要（yào）。

本地化：本地（dì）化（huà）在汽车行业中尤其重要（yào）。由（yóu）于（yú）汽车（chē）企业在设（shè）计模（mó）型时需要考虑（lǜ）多个市场，因此，他们需要考虑（lǜ）不同的语言、文化和受众特征，从而妥善定制消费（fèi）者体验。本地化项目非常适（shì）合作为您与数据合作伙（huǒ）伴的首个合作项目，他们可（kě）以利用资（zī）深（shēn）的语言专（zhuān）家团队来开发风格指（zhǐ）南和语音角色（sè）（正式，闲谈等），以及跨语（yǔ）种进行优化。

安全性：汽车行业（yè）收集的（de）许多数（shù）据中都包含敏感数据（jù），需要企业额外（wài）采取安全措施。理想的数据合作伙伴（bàn）不仅会提供各种安全（quán）选项，甚（shèn）至在（zài）最基（jī）本（běn）的级别上都具有严（yán）格的安全（quán）标准，以（yǐ）确保正确（què）处理您的（de）数据。寻找能提供以下选（xuǎn）项的数据合作伙（huǒ）伴；安全数据访问（对 PII 和 PHI 至（zhì）关重要）；安全众包和（hé）现场服务（wù）选（xuǎn）项；私（sī）有云部（bù）署；内部部署；以（yǐ）及基于 SAML 的（de）单（dān）点登（dēng）录等。

再训（xùn）练：麦肯锡认（rèn）为，1/3 的上线 AI 产品（pǐn）需要每月更新才能适应不断变化的形势，例如（rú）模型漂移或用（yòng）例转换（huàn）。许多企业跳（tiào）过了（le）这一关键步骤，或者完全将其搁置一旁（páng）。不过，如此一（yī）来，需要通过大（dà）规模部署且（qiě）能（néng）够取得足够（gòu）长期成功的 AI 项（xiàng）目来（lái）证明 ROI 会越来越限（xiàn）制（zhì）更长期（qī）数据再训练的风险，却得到了避免。通过再训练，您（nín）可以迭代模型，使模型变得更加准确（què）和成功——您最好利用（yòng）数据合作伙伴（bàn）来重新标记数据，并使（shǐ）用（yòng）人工评（píng）估程（chéng）序（xù）来分析低置信度预测，从而提供支持。

由AI驱动的智能座（zuò）舱

由 AI 驱动的智能座（zuò）舱已成（chéng）为许多企业（yè）品牌的代名词。汽车制造商正在与相关的生态系统提供商（shāng）合作或寻（xún）求合作，为客户创造更多价值。由 AI 驱动（dòng）的（de）智能座舱能带来诸（zhū）多（duō）优势，包括（kuò）改善驾驶员体验和安全性，以及提供直（zhí）观的（de）车内助手。这（zhè）意味着可以在训练数据的（de）帮助（zhù）下，采用 AI 并实现（xiàn）可扩（kuò）展（zhǎn）的部署，改进（jìn）车内和车外体验。

随着全自动驾驶汽车领域（yù）的竞争日益激（jī）烈，市场上已经建立了一个（gè）标准，该标准定义（yì）了六个（gè）自动驾驶级（jí）别（bié），旨在（zài）让（ràng）汽车制（zhì）造商、供（gòng）应商（shāng）和政策制定者可以讨论（lùn）和比较系（xì）统。这六个自动驾驶级别与不同的消费者体验挂钩，2 级 （L2） 和（hé） 3 级 （L3） 之间发（fā）生了重大变化。从 2 级过渡（dù）到 3 级，监（jiān）控（kòng）汽（qì）车（chē）的责任从驾驶员转移给了系统。由于自（zì）动驾驶（shǐ）级别不同（tóng），聚焦消（xiāo）费者体（tǐ）验能帮助（zhù）您在车（chē）内和（hé）车外体（tǐ）验领（lǐng）域快（kuài）速获（huò）得成功，使得这（zhè）些体验极易受到（dào）成功可（kě）扩展（zhǎn）性的影响。

车内体验通（tōng）常（cháng）被描述为由 AI 驱动的驾驶舱，涵盖了整个用户体验——包括驾驶员和所有（yǒu）乘客，旨在（zài）打（dǎ）造更智能、更愉悦的总体车内体（tǐ）验。它包（bāo）括将 AI 应（yīng）用（yòng）于智能驾驶辅（fǔ）助（zhù）程序，以改善安全（quán）性或信息娱乐系统（tǒng），不仅（jǐn）可为驾驶（shǐ）员导航，同时为后排乘客推（tuī）荐（jiàn）相关服务。

而（ér）谈到（dào）车外体验，尽管企（qǐ）业都在（zài）竭尽全（quán）力实现五（wǔ）级自（zì）动（dòng）驾驶，由 AI 驱动的智能汽车（chē）仍然（rán）需要更高水平的计算机视觉和计算能力——雷达（dá）和摄（shè）像头的传感器每（měi）秒传输大（dà）量（liàng）数据（jù），以处理诸如危险（xiǎn）的路况、道路上（shàng）的物体和道路标志之（zhī）类的状况。

得益于计算机视觉机器学习模型领域的最新研（yán）究，由 AI 驱动的（de）无人驾驶机会主（zhǔ）要（yào）聚焦如何利用 LiDAR、视频对（duì）象跟踪和传感器数据支持计算机视觉（jiào）。这些技（jì）术能帮助汽（qì）车在从 A 点驶（shǐ）向 B 点的过程中拥有“视觉（jiào）”和“思考（kǎo）”的能（néng）力。帮助训练模型执行任务的数据标注服务包括（kuò）：

点云（yún）标记（LiDAR、雷达）：通过（guò）识别和跟踪场景（jǐng）中的对象，了解汽车（chē）前后和周围的场景（jǐng）。将点云数据和视频流合并到一个要标注的场景中。点云数据可帮（bāng）助您的模型（xíng）了（le）解汽车（chē）周围（wéi）的（de）情况。

包括语义分（fèn）段的 2D 标记：帮助您的模型更好地理解可见（jiàn）光摄像（xiàng）机的（de）输入。寻（xún）找一家数据合作伙伴，帮（bāng）助您为自定义本体创（chuàng）建可扩展的（de）边界框或高度详细的像素模板（bǎn）。

视频对象（xiàng）和（hé）事件跟踪：您（nín）的（de）模型必须了（le）解对象如何（hé）随时间（jiān）移动，您的数据合作伙伴应该（gāi）协助您标记时间事件（jiàn）。在（zài）视频和 LiDAR 场景（jǐng）的（de）多个帧里，在本体（tǐ）中的对象（如其他汽车（chē）和行（háng）人）进入和离开您感兴趣的区域时，跟踪这些对象。不管对象出现和（hé）消失多少次，在整个视（shì）频（pín）中（zhōng）都要对对象的身份保持一致的理解（jiě），这（zhè）一点很关键（jiàn）。

过去，为了有效训（xùn）练 AI 模型，企业不（bú）得不依靠多（duō）个供应商和（hé）应用来收集（jí）、准备和（hé）整合（hé）所有（yǒu）数（shù）据（jù）。但是现（xiàn）在不同了。无论您是在构建 1 级或 5 级自动驾（jià）驶解（jiě）决方案，改善（shàn）驾驶辅助功能（néng），还是介于两者（zhě）之（zhī）间，可靠的收集和标注合作伙伴都可（kě）以（yǐ）提供统一的产品（pǐn），在（zài）一个平台训练和测试您（nín）的（de） AI 系统（tǒng）。

抵达车驾智能时代的关键——背后的（de）高（gāo）质量数（shù）据

澳鹏（Appen）的研究（jiū）和经验（yàn）发现，要想让 AI 试验项目进入能带来切（qiē）实利润的（de）大规模部署阶段，企业应该专注于一个关键目标（biāo），这是最简单的方法之一。大多数企业（yè）都（dōu）通过（guò）构建（jiàn）对消费（fèi）者体验产生积极影响的（de） AI 取得了（le）早期成功——无论是坐（zuò）在车里的乘（chéng）客或驾（jià）驶员（yuán），还是（shì）站在车（chē）外（wài）的人，都能获得更高的安全性（xìng）和自主权。尽（jìn）管我们已（yǐ）经（jīng）在这一领域取得了（le）长足的进步，但未来几年无人驾驶汽车并不（bú）会（huì）大范（fàn）围普及，我（wǒ）们也（yě）不能一（yī）蹴而就。人工智能正在推（tuī）动着汽车行业的深刻（kè）变革，随着无人（rén）驾（jià）驶时（shí）代越来（lái）越现实化，人工智（zhì）能（néng）和汽车技术也越（yuè）来（lái）越紧密地交织在（zài）一起。目前（qián）我们已经拥有了无人驾驶汽车所需的所有基（jī）本技（jì）术——甚至我们也知道该怎（zěn）么做。但这与大规模运行整个无（wú）人驾驶汽车系统截（jié）然（rán）不同（tóng）。

对（duì）于（yú）大量（liàng）在无人驾驶技术和互联（lián）汽车的未来进行投资的公司而言，通常（cháng）必须借助多个供（gòng）应商和应用，一同（tóng）收（shōu）集、标注、准备（bèi）和聚合（hé）所（suǒ）有数据（jù），以便有（yǒu）效地训练其AI模型。无人驾驶汽车相当复（fù）杂，属于由复（fù）杂的机器学习算法驱（qū）动的机器。随着汽车的前进，机器学习（xí）算法模型会处理多（duō）种类型的数据（jù），就像驾驶员透过挡风玻璃观察或（huò）监视车内外（wài）的（de）情况一（yī）样。为了（le）使汽（qì）车具（jù）备“看（kàn）”、“听”、“理（lǐ）解”、“交谈”和“思考”能力，需要以适当的方（fāng）式收（shōu）集视（shì）频、图像、音频、文（wén）本、LiDAR和传（chuán）感器数据，对这些数（shù）据进行结构化处（chù）理，并使其为机器学习模（mó）型所理解。汽车需（xū）要为大量的图像包含2D/3D数据（jù）赋予含（hán）义，例如，识别树木或行人（rén），识别动态的路况，听取命令，了解（jiě）环境的（de）外（wài）部（bù）变化，将这些信息反馈到汽车的AI中，为决策提供信息支撑，并改善算法，从而实现五级自（zì）动驾（jià）驶。同（tóng）样（yàng），智慧驾驶-智（zhì）能（néng）驾舱（cāng）：随着语（yǔ）音识别（bié）技术、LiDAR和能跟踪驾驶员（yuán）情绪的摄像机的发展，人机界面的下一步重要举（jǔ）措就是融合这些（xiē）技术，让汽车能够识别说话（huà）者的情绪和话（huà）语，从（cóng）而分辨出（chū）用户是高（gāo）兴还是沮丧，并（bìng）给出相（xiàng）应的回应（yīng）。通过此类车内（nèi）舆（yú）情监控，了解并预测行为，实现卓越的人车互动。

对于（yú）无人（rén）驾驶汽车来说（shuō），就像在医疗保（bǎo）健或（huò）其他风险管理至关重要的场景一样（yàng），为了在瞬（shùn）息万变的复杂真实的驾驶场景中发挥作用，训练数据（jù）需要由人员进行大规模标注和验证。机器学习系统需（xū）要大量经过专门调整的训（xùn）练数（shù）据（jù），这些数据来自不同的驾（jià）驶环境。要（yào）创建（jiàn）这种高（gāo）质（zhì）量的训练（liàn）数据（jù），就必（bì）须（xū）从人（rén）工（gōng）标注（zhù）入手（shǒu）。例如，在训练计算机视（shì）觉（jiào）解（jiě）决（jué）方案时，人们需要标注和标记由传（chuán）感器收集的 LiDAR 数据，概述图像中包含树木（mù）、交通标志（zhì）等的（de）所有像素（sù）。通过这种（zhǒng）方式，系统将学会识别这些对（duì）象（xiàng），但它需要大量示例。幸运的是，现在市（shì）场上（shàng）有一（yī）些工（gōng）具包括澳（ào）鹏由机器学习（xí）提供（gòng）辅助的LiDAR、视频、事件和像素级标记、以及语音和自然语言（yán），都可以（yǐ）帮助我们加快完成这些任（rèn）务，并满足（zú）日益（yì）增（zēng）长的对（duì）结构化数据的需求。通过这些工具与工作（zuò）流互联（lián），能帮助（zhù）加速（sù）开（kāi）发无人驾驶能力，提高生产力（lì），成为市场赢（yíng）家。

随着无人驾驶汽车市场的竞争愈演愈（yù）烈，大规模的高质量训练数据仍然是（shì）汽车行业正在努力解决的主要挑战。再加上汽车不仅需要遵守严格的国家和地区（qū）法规（guī），而且还必须了（le）解（jiě）数百（bǎi）种语（yǔ）言和方言，这些都构成了巨大的挑战（zhàn）。显然，我们（men）无法规避这其中的偏见和挑战。例（lì）如一位母语为英语的（de）男士驾驶一辆美国市（shì）场生产（chǎn）的（de）汽车，他的（de）语音识别（bié）成功率要比母语不（bú）是英语的女性驾（jià）驶员高。简而言之，主（zhǔ）要（yào）依赖基于（yú）英语为母（mǔ）语的男（nán）性语（yǔ）音所（suǒ）收集和标注（zhù）数据的语音识（shí）别系统（tǒng），在处理（lǐ）其他语（yǔ）音时很容易出问题。用（yòng）于事故规避和（hé）自动（dòng）驾驶的（de）视觉数据同样如此。如果（guǒ）训练数（shù）据是白天天气晴朗时（shí）收集的数据，则该系统（tǒng）在雨天的夜晚响应较差。

携手数（shù）据（jù）合作伙伴，将AI加速从试验阶段（duàn）推向生产阶（jiē）段

在真正采用（yòng）试验（yàn）模型战（zhàn）略（luè）并提供 ROI 时，许多项目都无（wú）法提供（gòng）有（yǒu）意义的结果。这会导（dǎo）致企业（yè）高（gāo）层退缩，无法给 CIO 留下深（shēn）刻印象，并因为无法实（shí）现（xiàn）价值而导致（zhì）试验被终止。结果就（jiù）是，管理人员（yuán）将很难证明项（xiàng）目的价（jià）值，并且通（tōng）常不愿意投资扩大未（wèi）来（lái）的试验。为确保（bǎo）您的 AI 试（shì）验不（bú）只是看上去好看（kàn），直（zhí）接投资（zī）训练数据而不是（shì）耗费80%的时间（jiān）准备训练数据（jù）显（xiǎn）然事半功（gōng）倍。

许多（duō） AI 项目从收集立即可用的数据入手，然后尝试了解如何使用这些数据。通过采（cǎi）用适当的方法成功将（jiāng）模型扩（kuò）展到（dào）项目之外，您（nín）能（néng）够避免使（shǐ）用常规数据（从公共（gòng）资源和 Web 收集的数据以及脏/暗数据），而将（jiāng）重点放在收集（jí）与（yǔ）切实的目标和用例相关的（de）特定数据（jù）。为了获得（dé）成（chéng）功，这些数据必须是（shì）可靠、干净且有足够标注的数据，并且团队将致力于数据维护工（gōng）作，将更多专业的工作外包出（chū）去。

为了启（qǐ）动世界一流的 AI 计划，您应（yīng）该（gāi）寻求数（shù）据合作伙（huǒ）伴为您提供可靠、高（gāo）质量的训练数据，让（ràng）您能够（gòu）扩展至以下（xià）五个（gè）关键的阶段：

试（shì）验：在大型试验中为您（nín）提供（gòng）可靠的训（xùn）练数据，以确保模型（xíng）可以快速实（shí）现扩展（zhǎn）。同时还可以帮（bāng）助您标注置信度（dù）低的数据或标注边缘用例场景的数据。

数据标注：小规模试验（yàn）之后，通常需要大（dà）量训练数（shù）据。在这种情况（kuàng）下可使用海量数（shù）据（jù）集训练模型（xíng），以确保模型可以适（shì）用于（yú）每（měi）个场景，没有偏见，并且按照（zhào）预期方式运行。此（cǐ）外（wài），这些（xiē）数据必（bì）须（xū）准确（què）无误，否（fǒu）则您的模型不仅无法进行正确的训练，亟待解决的业务（wù）问题（tí）也被耽搁，还（hái）可（kě）能导（dǎo）致利益（yì）相关（guān）者不同意（yì）扩展（zhǎn）部署规模（mó）。寻求数据标（biāo）注和收集领域（yù）专（zhuān）家（jiā）的（de）帮助。有（yǒu）助于企（qǐ）业大大减少在（zài）获取数据上所花费的时间，并确保尽可（kě）能高的（de）准确性。

测（cè）试和验证：训（xùn）练（liàn）模型后，需要使（shǐ）用一组（zǔ）未（wèi）用于训练（liàn）模型的数据（jù）进行（háng）验证，以调优模型。在验证（zhèng）阶段，企业可以更好地测试数据是否妥善（shàn）标记了正确的意图，并确保模（mó）型（xíng）不（bú）会由于极端例子而（ér）出（chū）现任何偏（piān）差或（huò）失（shī）败。从而无偏见（jiàn）地预（yù）估最终调优模型的（de）技能（néng）。

扩展部署至生产环境（jìng）：如（rú）果模型在（zài）测试和验证阶（jiē）段（duàn）都成功了，就该（gāi）扩展部署了。企业可以进一（yī）步评估和验证置信度低的答（dá）案，但无论如何，企业都应该自信地扩展试验（yàn）。

再（zài）训练：顺利完成了扩展（zhǎn）——但是在（zài）全面部署时您的模型（xíng）可（kě）以准（zhǔn）确执行多长时间？定期对模型进（jìn）行（háng）再训练，这一点对于避免模型漂（piāo）移和解决用（yòng）例转换至关重要（yào）。

展望未来，澳（ào）鹏（péng）汇集了所有必要（yào）的要素，帮（bāng）助企业走向成功（gōng）

未来的交通运输将以（yǐ）世界一流的（de） AI、超快（kuài）的连接和（hé）对环境（jìng）的影响为基础。因（yīn）此，AI 的潜（qián）在使用场景范围非常广泛。而且（qiě），尽（jìn）管企（qǐ）业（yè） AI 和机器学习（xí）用例变得越来越多样化（从供应链（liàn）和制造到无（wú）人驾驶汽车和移动即服务），但以（yǐ）消费者体（tǐ）验为中心的应（yīng）用仍然是最普遍也最成功的大规模部署的应用。这是因（yīn）为车内和车外体验都与（yǔ）明确的 KPI 直接关联（lián），并且很多汽车企业拥有大量未挖掘的数（shù）据，他们可以（yǐ）利用这些数据来改善这些体验。

因此为了（le）确保为多模式和多媒体视觉和语音识别系统能够提供足够的无偏（piān）见训练（liàn）数据（jù），就需要大（dà）量代（dài）表（biǎo）不同（tóng）地理、文化、性别（bié）和语言的标注人员。所有这些数据必须（xū）由这一（yī）领域的专家进行标（biāo）注和收集，并用（yòng）于快速（sù）、高（gāo）效地大（dà）规模训（xùn）练和改（gǎi）进机器学习（xí）模型。澳鹏（Appen）在无人驾驶（shǐ）汽车（chē）领域是超过15年以上的（de）行（háng）业经验专家，享（xiǎng）有与世界前十大整车厂丰富的（de）合作经验及深邃的行（háng）业洞察能力，为（wéi）无人驾驶及智能座舱等商业场景（jǐng）训（xùn）练数（shù）据提供多（duō）传感器融合的LiDar点云数据标注，PLSS，计算机视觉机器学（xué）习辅助标注工具（jù），以及车内数据采集，语言（yán）覆盖全球180多种（zhǒng）语种。

“汽车（chē）和交通运输相关（guān）数（shù）据的（de）收（shōu）集、管理和基于 AI 的开发将决定谁能成为下一代移动出行领（lǐng）域的赢家。要成为赢家，企业需要战略愿（yuàn）景、商（shāng）业头（tóu）脑和（hé）技术实力（lì）。澳鹏（Appen）汇集了所有必要的要素，以帮助企业走（zǒu）向成功。” Evangelos Simoudis Synapse Partners 董（dǒng）事总经（jīng）理如是说。在新基建的春风之下，人工智能作为新一（yī）轮产（chǎn）业变革的核心驱动力将释放（fàng）历次科技革（gé）命和产业（yè）变革积蓄的巨大能量。任何（hé）实施AI 战略（luè）的企（qǐ）业都（dōu）应使用（yòng）高（gāo）质量的（de）数据来最大程度地（dì）提高成功机会（huì），与（yǔ）经（jīng）验（yàn）丰富的（de）合作（zuò）伙伴合作并（bìng）借助可（kě）靠的流程（chéng），对提高成（chéng）功几率并提供无缝（féng）的汽车和驾驶员体（tǐ）验而（ér）言至（zhì）关重要。