数据驱动的算法工程落地！

Posted 2021-10-21 Datawhale

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

开源数据平台 格物钛 X Datawhale

导读：随着科技浪潮的演进，数据已然成为第五大生产要素，越来越多的企业开启数字化转型，然而目前企业的现状却是数据人才的储备远远不足，学生却求职内卷，所学与企业具体生产环境匹配极低。

本文邀请了雪湖科技算法专家张益兴、格物钛首席产品官王广宇带来分享：企业面临的数据问题是什么，以及企业实际工程落地的经验。分为三部分，第一部分是会先讲数据驱动算法目前的进展，第二部分是算法部门分工与招人痛点，第三部分聊聊数据管理的痛点问题。

01 张益新：数据驱动算法的进展

人工智能在国内2017年后才开始火热，资本市场也竞相追逐，但其实在 1950 年左右就出来了人工智能概念。但当时没得到很好的发展，出现了所谓第一次危机的，到了 60- 70 年代，又出现了第二次危机，明斯基等人工智能大拿论断说人工智能是无法实现的。直到布尔兹曼基的算法出现打破了这一论断，80 年代的时候，现在我们大家所熟知的图灵奖深度学习三巨头出现，终于在 2008 年开始有一些转机。吴恩达用 GPU 解决了数据集训练问题，才把我们目前使用的这种基于数据的方法训练这条路走通了。

我们现在还是处于弱人工智能时代，是有多少数据，就有多少智能，有多少人工就有多少智能。目前的人工智能分为机器感知、学习、语言、记忆、决策几个方向。现在我们能落地的大部分都属于感知层级。语音和自然语言处理等处理的数据类型不一样，但也属于基于数据驱动的类型。

在目前的弱人工智能阶段，是一个趋于数据驱动的过程。工程落地的大致流程步骤，其实就是我们基于深度学习的框架tensorflow等所架构的一套叫做生产环境部署的流程。从最初的提取和验证数据，到训练分析模型，最后部署到生产环境中，这是一套环环相扣的标准流程。只要把每一步操作都链接起来，有机会形成一个快速落地的工程，这是在算法落地中非常看重的一环。

举个例子，在我们做安防场景的实际过程中，第一步其实不是数据也不是算法，而是设备的安装。在一些特殊性的场景，不管是机场海关港口银行，还是传统的安防场景。我们都很关心摄像头的安装位置等所决定的最后带来的精度上限，是否满足客户需求，能够完成验收。现在做激光雷达这一块，还涉及到产品的选型，产品价格从六七千到十几万不等，要根据施工现场的限制和甲方的需求来。之后还需要把涉及到的交通局、城市管理局、城市规划局等各个部门拉到一起，去处理设计图纸等。

对于企业中来说，算法里的研究、出一个好的trick、训练一个好的模型，这块对于最后的工程落地可能只有10%的影响，在我所接触的客户范围内，其实前面提到的设备安装这部分就占了50%的比重。

设备安装后的数据采集，就各不相同了。有些可以远程采集，有些需要到本地去。比如银行等保密级别比较高的场景，没有外网就需要到现场采集。有了数据后面临数据清洗的问题，主要是剔除无效数据，之后将有效数据挑选得到高质量的数据。

在整个算法落地过程中，除了设备安装占50%外，第二大重要的就是数据标注了，占比可能要达到20%。这部分很多是管理性的问题，而不是技术性。数据验收之后会将结构化的数据送入模型进行训练，进行模型部署。

02 张益新：算法部门分工与招聘痛点

我们可以根据算法落地过程，将算法部门拆分为三块。分别是数据管理、算法研究和工程落地。数据管理部门会提供数据给研究人员，算法研究人员对应出不同的模型，让工程落地人员去部署在不同的GPU上。有些公司会将数据管理外包出去。

对算法部门中这三类人员的能力需求各不相同。

数据管理的人员需要完成从数据采集和标注到验收这一块，我们叫做“脏活累活”的工作。对于数据管理人员，会要求有较强的运营能力，编程能力也需要，但懂得基本操作就可以。

算法研究人员需要有创新研究能力。提出一些新的网络结构、新的训练方法、trick，或者把整体精度提到的方法。这背后需要一定的数学能力支撑，为什么这么设计有效？从哪个方向去才能达到需要的精度或速度？一个BN怎么去设计？如果要走在算法研究前列，这些都是必要的研究能力。

另外就是工程落地人员。我目前招聘了200人左右，只通过了2、3人。大部分所谓的算法人员，他们的工程能力都普遍偏弱。有一些好的想法，但自己实现不了，比如编程，除了Python，一般还需要C++的能力（Python很好也可以），需要自己可以用C++去把一些功能实现出来。

目前遇到的招聘痛点，对于数据管理人员来说，是人员的流动性较大，我们正在思考逻辑性解决的方案。对于算法研究人员，主要是数学能力不够，提不出新的结构等等。对于工程人员，则是他们的编程能力需要提高，要懂一些深度学习，了解目前使用的一些模型。

03 王广宇：企业的数据管理痛点

这部分由格物钛联合创始人、首席产品官王广宇解答。

Q

在公司数据采集的流程中，会遇到很多不同的数据格式，尤其是点云中的obj格式、pcd格式等，还有一些自定义的csv等等，这些一般怎么处理？

答：我们当时做数据平台也遇到了很多格式问题。过去的文件组织格式，是直接存储在文件夹里。比如可能是一个激光雷达的文件，里面再有一个描述文件去描述它的label等信息。如果有十万个一百万个，里面就去乘以十万或者一百万。尤其是当公司标准没有统一时，可能会出现一个灾难，就是A和B的存储格式完全不一样。我们提供了一个统一的数据存储方法，只要按照存储方法，我们会自动在平台上去组织这些文件。当读取文件时，读的是我们提供的一个对象。这样一来，工程师就会有一个统一的接口去调用这些信息，而不需要去感知数据的格式。

第二个是当可视化渲染或者读取数据时，有时候可能需要感知数据格式，将其解析出来。目前格物钛平台已经可以适配大部分格式，此外，未来也会将适配标准逐步开放出来，来应对未来自定义文件存储格式等场景。

第三个管理数据。不仅是数据存储，还有数据标注这个关键信息。大家都用过很多公开数据集，在用的过程中，每使用一个数据集，就要去了解一个数据格式。即使是目标检测也可能有不同的描述方法，激光雷达的描述方法就更多了。我们也在与一些企业和社区联合，尽量做一些适合应用的统一格式，希望在今后数据集的使用过程中，所有调用数据和读取标签的格式是一致的，这样就大幅增加数据的流通性，降低了使用门槛。

Q

从企业拿到第一手的原始数据，到最后变成数据集，过程中会有很多中间性数据，这些数据不确定是否有价值，该怎么处理？

答：这是一个要平衡的过程。如果使用频次很高，可以选择保存下来，因为高频使用每次抽取数据所耗费的时间和算力，远大于存储成本；如果很长时间采用一次，就丢弃掉。重要的是要把获取中间数据的方法保留下来，当想用的时候可以很快从数据中提取出来。

我们在平台上也遇到很多用户有这种需求，所以提供了一个自动化的能力，把数据的自动化处理流和数据本身绑在一起，作为一个版本。

Q

关于数据存储，我们所有项目全开的话，数据量会达到PB级，一直在本地买硬盘很难持续，这方面有什么建议？

答：当数据规模很大时，反而建议存储在云上。因为云上存储并不像我们想象的那么贵。PB级的数据中不是所有的都是高频的活跃的，可以把其中有价值的放在热存储里面，低频的放在冷存储里——冷存储是非常便宜的。另外，本地存储会需要运维团队去保证数据可靠性，甚至使用分布式存储等等，如果存放在云上，运维成本会指数级下降，可能一两个工程师就解决问题了。

关于云的可靠性问题，其实比很多人想象的要高，安全性是所有云厂商最在意的问题，它提供的账号等合规体质往往比本地更成熟，可靠性都在六个、七个9以上。我们目前采取的方式是一方面和云厂商合作，另一方面提供授权管理服务，面向整个人工智能开发团队提供版本管理、格式管理、可视化等等。当然，当数据上云时，可能算力也要上云，来避免传输成本，我的客户会有类似案例。

Q

关于这一点，我们目前的项目是外地采集数据，回到本地训练，想知道是否可以直接在云上进行？

答：有些客户是使用本地之前遗留下来的GPU做一些不紧急不耗时的任务，大规模的、并行的任务放在云上进行，采用这种混合方式。之前对接过一家美国无人车公司，是不需要数据工程师感知数据在哪里，要使用数据集训练时，会自动同步一份到云上，自然开启一个服务器跑起来，中间和GPU、算力、调度等的交涉都放在后台，不需要算法工程师考虑。

Q

我们目前交付给客户的主要是部署这一块，边缘性的内容可能覆盖不到，希望把从训练到数据整个流程都交付给客户，做一套管理平台，想知道这里的可行性。

答：我们目前对接的一家公司，算法负责人就有类似需求。他们需要用检测感知算法，配上GPU算力都部署到一些停车场，去检验货车或卡车停放得是否合规，人员是否在合规范围内行走。需求方的变动可能两三天就会变，比如过去识别工作服，只需要识别蓝色和灰色，突然有一天就多了个紫色的。这时如果没有一个很好的方案，成本会非常高。大概估算下来需要三个工程师一个月左右，快20万的成本。如果这件事可以做成自动化，比如捕捉这种case进入异常流程，积攒数据量到一定程度就生成一个数据集，自动发到标注平台，然后自动训练、优化再到应用。如果整个流程可以压缩到一周之内，他的产品将变得非常有竞争力。我认为这部分事情是可以自动化的，不能完全自动化的部分可以通过对客户的一些简单教学搞定。

现场问答

Q

对于技术面试官来说，对校招生做算法工程师看重的能力是什么？

张益新：我最近几年面试了200人，大概也就招了2、3个。首先深度学习的反向传播一定要会，自己要可以手推，最好能用Python、C++实现一遍，这个是基础。你要把整个CNN最起码  Batch Normalization（批量归一化）整明白，就是每一层的map 剪去均值除以方差，开了根号以后，阿尔法乘以 beta 这个公式为什么能这么推导，到这一步其实就差不多了。如果这些都会，可能会问为什么这么设计，BN背后的原理等，深度学习的基础知识和背后的逻辑关系、数学原理等。此外就是一些C++的内容，我们对工程能力的要求很高，算法能力我们这边会的人都可以叫，但写代码的能力怎么样是我最看重的，因为创业公司的性质是这样。此外最好有一些github上的开源项目、或提交了一些bug，说明是圈子里的人。

Q

对于医疗上的敏感数据，如何做数据管理？

王广宇：首先是对于身份证等人物标识进行脱敏处理，其次要提供一个明确的访问权限，谁可以访问数据、谁可以管理，谁可以使用，同时所有的操作记录都要保存下来，这是在合规上非常硬性的要求。

Q

数据分析师会参与数据管理工作吗？还是只有业务上在使用？

王广宇：如果把数据看成是机器学习的代码，不同于以往用于数据分析、数据决策的BI数据，数据在机器学习中更多是一种核心生产资料，相当于带功能的代码一样。如果把它看作是开发的流程，有很多人会参与。数据分析是也可能参与到其中，不是结构化数据的根系，可能是到底要加多少数据，加哪些数据会使模型迭代更好、更有效。

Q

企业在数据的收集、标注成本会很高，如何处理？

王广宇：在收集这一块，对于项目制的公司，可能会按照项目单独收集，这是不可避免的。有很多企业已有成熟的产品，这时候去收集数据不同于我们传统的模式，而是可能在很多场景的边缘布算法trigger，进行特定收集、人工检查后标注。这时候标注就有很多方式了，可以根据之前的训练模型进行预标注。这时候大量的标注成本是花在了质检上，来保证数据质量，如果标注团队不行，可能要花上几周甚至上月的时间去解决质检问题。

这部分是企业很需要的工程能力，如果有人可以提升质检效率，这个价值可能比写一个算法、或模型的价值还要大，因为大幅缩短了整个研发周期。

分享嘉宾：

整理不易，点赞三连↓