自动驾驶（shǐ）——疫情危难中（zhōng）显身手（shǒu）

2020年，一场突如其来的新冠肺炎肆虐全球， 导（dǎo）致不（bú）同国家的（de）人们（men）被迫隔离或保持社交距离，人与人（rén）之间的接触变（biàn）得风（fēng）险极高。一时间，人们对于人工智能机（jī）器人、自动驾（jià）驶等可有效（xiào）解决人与人接触的“无（wú）人”技术的出现与应用（yòng）翘首以待。疫情期间，从无接触测温到（dào）在线办公，云会议（yì）、在线教育、在线（xiàn）发布会（huì）、云逛（guàng）街、云旅游等，人工智（zhì）能在这场战役中大（dà）显神威，以前没有的模式（shì）在不断被创造，人工智能对众多（duō）行业的（de）“赋（fù）能”作用也开始显（xiǎn）现并迅速获得人们的青睐。

特（tè）别是一（yī）些物资运输和物流（liú）方已经采用无人车送（sòng）货的方式，避（bì）免人与人直接接（jiē）触的问题；有（yǒu）些医院采用了无人消（xiāo）毒、清洁车；有（yǒu）些在医院（yuàn）为患者（zhě）进行无人送餐等（děng）。诸（zhū）如这些鲜活的事例在这次（cì）疫情中可以说是（shì）不（bú）胜枚举（jǔ）。

据统（tǒng）计（jì） ，我（wǒ）国这（zhè）次采用自动（dòng）驾（jià）驶（shǐ）的达到十几个地级市，北上广都涵盖在其中，同（tóng）时此次使用的投（tóu）入量也达到数百个。不（bú）仅在（zài）国内，国外（wài）也（yě）是如此，法国的（de）NAVYA与美国的诊所合作（zuò），也（yě）开始进（jìn）行无人车配送（sòng）药品或（huò）者检测样本。

“自动（dòng）驾驶”在这（zhè）次疫情中（zhōng）实际的投入和使用，虽然（rán）是牛刀（dāo）小试，但足以让（ràng）人们对此有了全新的（de）认识。由此（cǐ）我（wǒ）们看到了（le）自动驾（jià）驶领域应用的广泛前景和巨大市（shì）场潜力。自动驾驶一直（zhí）是人类对未来的幻想，而想要实现（xiàn）真正的无人（rén）驾驶仍然面临诸（zhū）多挑（tiāo）战。如何快（kuài）速实现商业化，是现（xiàn）在（zài）很（hěn）多投资自动驾驶（shǐ）的公（gōng）司所倍加（jiā）关注的问题。以前更多的聚焦是在无人车是一种交（jiāo）通工具（jù），主要用于解决运（yùn）输人的（de）问（wèn）题；而现在，它更像是可以（yǐ）成为替代简单重复（fù）性工（gōng）作的“助理”。

为了使汽车行业制造出最高（gāo）效、最安全的无人驾驶汽车，汽车（chē）投资（zī）者必须（xū）采取消费者至上的（de）思维方式才能（néng）居于领（lǐng）先。事（shì）实上对于大多数的驾驶员（yuán）来说（shuō），当下的驾驶体验仍然事与愿违。原本用于导航、通信（xìn）和娱（yú）乐的免提（tí）系（xì）统应该（gāi）尽可能减少（shǎo）干扰（rǎo），但是（shì）目（mù）前差强（qiáng）人意（yì）的语音识别功（gōng）能每每让人沮丧，反（fǎn）而给驾驶员带来了更多不必要的干扰。新的（de）无（wú）人驾驶和（hé）驾驶辅助功能虽（suī）然已经有所（suǒ）改善，可以提（tí）供一定（dìng）帮助，但（dàn）它们还远远不能达到理想状态。唯有那（nà）些致力于提升消费者体验的企业（yè），才能最终在竞争中脱颖而出，无论是乘客（kè）或（huò）驾驶员在车内的内部体（tǐ）验，还是提升（shēng）安全性和自主性（xìng）的汽车外部体验。

目前疫情在国内已经受到（dào）一定程（chéng）度的控（kòng）制，疫（yì）情终会消散，但谁也不敢预言疫（yì）情会不会卷土（tǔ）重（chóng）来？那么未来（lái）的驾驶（shǐ）又将会是（shì）什么样子？何（hé）时我们才能够抵达（dá）未（wèi）来？

未来自（zì）动驾驶不仅仅是技术问题——问题和（hé）挑（tiāo）战

虽（suī）然 AI 技术（shù）正在迅速（sù）走向（xiàng）成（chéng）熟，但 AI 的发展（zhǎn）所涉及的（de）不仅仅（jǐn）是技（jì）术，还（hái）包括监管、业务和产（chǎn）品挑战、社会认可和新技术（shù）发（fā）展方面的挑战。就自动驾驶来说主（zhǔ）要涵盖复杂程（chéng）度（dù）、安全性、本地化（huà）和再训练几个（gè）方面。

首先（xiān）以接送（sòng）孩子上（shàng）下学为例。其中涉及的不仅仅是从 A 点到 B 点行驶（shǐ）的技术（shù），还有（yǒu）由谁来负责巴士的安全（quán）？政府、巴士（shì）制造商、AI 软件工程（chéng）师（shī）、还是由（yóu）他们一（yī）起（qǐ）负责？一旦出了问（wèn）题了，该怎么办？在旅途中（zhōng）如何（hé）监控（kòng）孩子的（de）行为，如何处理从巴（bā）士到学（xué）校的责任转移？这些（xiē）恐（kǒng）怕都（dōu）涉及到需要立法、法规（guī）和保险（xiǎn）业（yè）的（de）全面（miàn）投入才能逐一获得（dé）很（hěn）好、妥善的解决。

其次，供应商必（bì）须弄清楚如何收集（jí）和处理大量数据，才能支持成千（qiān）上万辆同（tóng）时交互的无（wú）人驾驶（shǐ）汽车。在投入生（shēng）产之前，还必须能够证明（míng）产品足够（gòu）安全可靠（kào），并且足以抵御网（wǎng）络（luò）的恶意（yì）攻击。最后，他们必（bì）须开发一种能支持解（jiě）决方案扩展的业务模式。

千（qiān）人千（qiān）面，并（bìng）非每个人都对（duì）无人（rén）驾驶汽（qì）车（chē）感（gǎn）兴（xìng）趣。因（yīn）此（cǐ），我们可（kě）能会遇（yù）到周围一些思想（xiǎng）和行为上偏保守的人的（de）强烈抗（kàng）拒乃至强行抵（dǐ）制。也就是说自（zì）动（dòng）驾驶必须首（shǒu）先解决的是（shì）观念和意识，也就是信任（rèn）两个字。事（shì）实（shí）上凡是每当出现一（yī）项（xiàng）重大的新技术，我们都会面临这些问题（tí）。某种程度上讲，我们如何管理无人驾驶（shǐ）和自动（dòng）驾驶汽车（chē）的这些（xiē）问题，将影响人们对这种急剧的社（shè）会（huì）变革的接受程度，以及从长远来看，如（rú）何评估它对于（yú）社会发展的进（jìn）程（chéng）到底是利还是弊。

随着5G+IOT+AI等新技术的到来，物理（lǐ）世界的一切都会被映（yìng）射到数字世界，无人驾驶领域也即将（jiāng）进入车驾智（zhì）能感知时代，换句话说就是把道路也变成智能（néng）的。在道（dào）路（lù）部（bù）署很多的RSU（Road Side Unit），配上激光雷达（dá）的扫描处（chù）理（lǐ），让汽车和道路（lù）进行信（xìn）息的即时传递，以此大幅提（tí）升无（wú）人车路径规（guī）划和决策的准确性。随着（zhe）5G的商业（yè）化部署和（hé）其他新技术引入，势必也（yě）将（jiāng）给无人驾驶（shǐ）汽（qì）车行业和（hé）各国政府（fǔ）所选择的技术路线带来更多新（xīn）的机（jī）遇和挑战。

复杂（zá）程度：与基本（běn）要素（sù）一样，企业（yè）可能没太关注（zhù）复杂（zá）程度如何影响其项目。通过寻找（zhǎo）可靠的数据合作伙伴，他们的专（zhuān）业知识可以为企（qǐ）业提供（gòng）指导和（hé）见解。例如，本体越大，项目（mù）就（jiù）越复杂。一个经验丰（fēng）富（fù）的数据合作伙伴将帮助您（nín）确定这（zhè）种情况如（rú）何导致您投入更多的时间（jiān）和成（chéng）本（běn），并找到与您的整（zhěng）体（tǐ）业务目标契合（hé）的解决（jué）方案，这对于考虑图像和视频至关重要。

本地（dì）化：本地化在汽（qì）车（chē）行（háng）业中尤（yóu）其重要（yào）。由于汽车企业在设计模型时需要考（kǎo）虑多个市场（chǎng），因（yīn）此，他们需（xū）要考虑（lǜ）不同的语言、文化和受众特征，从而妥善定（dìng）制消费者体验。本（běn）地化（huà）项目（mù）非常适合作为您与数据合（hé）作伙伴的首（shǒu）个合作项目（mù），他们（men）可以利用资深的语（yǔ）言专家团队来开发风格指南和语音角（jiǎo）色（sè）（正式，闲谈（tán）等），以及跨语种进行优化。

安全性：汽车行业收集的许（xǔ）多数据中都（dōu）包含敏感数据（jù），需要企业额外采（cǎi）取安（ān）全措施。理（lǐ）想的数据（jù）合作伙伴不仅会提供各种安全（quán）选项（xiàng），甚至在最基本的级别上都具有严格的安全（quán）标准，以确保正（zhèng）确处理您（nín）的数（shù）据。寻找能提供以下选（xuǎn）项的数据合作伙（huǒ）伴；安（ān）全数据访问（对 PII 和 PHI 至关重（chóng）要）；安全众包和现场服务选项；私（sī）有云部署；内部部署；以及基于（yú） SAML 的单点登录等（děng）。

再训（xùn）练：麦肯锡认（rèn）为，1/3 的（de）上线 AI 产（chǎn）品需要每月更新（xīn）才能适应不断变化的形势，例如模型漂移或用例转换。许多企业跳过（guò）了这（zhè）一关键步骤，或者完全将其搁（gē）置一旁。不（bú）过，如此一来，需要通（tōng）过（guò）大规模部署且（qiě）能（néng）够取得足够长期（qī）成功的 AI 项目来证明 ROI 会越来越（yuè）限制更长期（qī）数（shù）据再（zài）训（xùn）练（liàn）的（de）风险，却得到了（le）避免。通（tōng）过再训练（liàn），您可以迭代模型，使模型变得更（gèng）加准确和成功——您最好（hǎo）利（lì）用（yòng）数据合作（zuò）伙伴来重新标记数据（jù），并使用人工评估程序来分（fèn）析低置（zhì）信度预测，从而提供支持。

由（yóu）AI驱动的智能座舱

由 AI 驱动的智（zhì）能座舱已成为许（xǔ）多企业品牌的代（dài）名词。汽车制造商正在与相关的生态系统提供商合作或寻求合（hé）作（zuò），为（wéi）客户创（chuàng）造（zào）更多（duō）价值。由 AI 驱动的（de）智能座舱能带来诸多（duō）优势（shì），包括改善驾驶员体（tǐ）验和安（ān）全性，以（yǐ）及提（tí）供直观的车内助手。这意味着可（kě）以（yǐ）在训练数据的帮助下，采用 AI 并（bìng）实现可扩展（zhǎn）的部署，改进（jìn）车内和车外（wài）体验。

随着全自动（dòng）驾驶汽车领（lǐng）域的（de）竞（jìng）争日益激烈，市场上（shàng）已经建立了一个标准，该标准定（dìng）义（yì）了六个自动驾驶级别，旨在（zài）让汽车（chē）制造（zào）商、供应商和政（zhèng）策制定（dìng）者可以讨论和比较系统。这六个自动（dòng）驾驶（shǐ）级别与不（bú）同的消费者体验挂钩（gōu），2 级 （L2） 和（hé） 3 级 （L3） 之（zhī）间发生（shēng）了重大变化。从 2 级（jí）过（guò）渡到 3 级，监控汽车的责任从（cóng）驾驶员转移给了系统（tǒng）。由于自动（dòng）驾驶级别（bié）不同，聚焦消（xiāo）费者体（tǐ）验能帮助您在车内（nèi）和车外体验（yàn）领域快速获得成功，使得这些体验极易受到（dào）成功可扩展（zhǎn）性的影响。

车内体验通常被描述（shù）为由（yóu） AI 驱动的驾驶舱，涵（hán）盖了整个用户（hù）体验（yàn）——包括驾（jià）驶（shǐ）员和所有乘客，旨在（zài）打造更智（zhì）能、更愉悦的总体车内体验。它包括将 AI 应用（yòng）于智能驾驶辅助程序，以（yǐ）改善安全性或（huò）信息娱乐系统，不仅可为驾驶（shǐ）员导航（háng），同时为后排乘客推（tuī）荐相关服务。

而（ér）谈到车（chē）外（wài）体验，尽管（guǎn）企业都在竭尽全力实现（xiàn）五级自动驾驶，由 AI 驱动（dòng）的（de）智能汽车仍然需要（yào）更（gèng）高水平的计算机（jī）视觉和计（jì）算能（néng）力——雷达和摄像头的传（chuán）感（gǎn）器每秒传输（shū）大量数据，以处理诸（zhū）如（rú）危险的路况（kuàng）、道路上的物体和道路标志之类（lèi）的状况。

得益于计算机（jī）视觉（jiào）机器（qì）学习（xí）模型领域（yù）的最（zuì）新（xīn）研（yán）究，由 AI 驱动的无人驾驶（shǐ）机会（huì）主要聚焦如何利（lì）用 LiDAR、视（shì）频对象跟踪和传感（gǎn）器数据支（zhī）持计（jì）算机视觉。这些（xiē）技（jì）术能帮助汽车在从 A 点驶向 B 点的（de）过程中拥有“视（shì）觉”和“思考”的能力（lì）。帮助训练模型执（zhí）行（háng）任务的数据标（biāo）注服务包括：

点云标记（LiDAR、雷（léi）达）：通过识别和（hé）跟踪场景中（zhōng）的对象，了解汽车前（qián）后和周围的场景。将点云数据和视频流合并（bìng）到一个要标注的场景中。点云数据可帮助您的（de）模型了解汽车周围的情况。

包（bāo）括（kuò）语义分段（duàn）的 2D 标（biāo）记：帮助您的模型更（gèng）好地理解可见光摄像机（jī）的（de）输入（rù）。寻（xún）找（zhǎo）一（yī）家（jiā）数据合（hé）作（zuò）伙伴，帮助您为自（zì）定义本体创建（jiàn）可扩（kuò）展的边界（jiè）框或（huò）高度（dù）详（xiáng）细（xì）的像素模板。

视频对象和（hé）事（shì）件跟踪：您（nín）的模型必须（xū）了解对象如何随时间移动（dòng），您（nín）的数据合作（zuò）伙伴应该协助您标记（jì）时间事件。在（zài）视频和（hé） LiDAR 场（chǎng）景的多个帧里，在（zài）本体中的对象（如其（qí）他汽车和行人（rén））进入和离开（kāi）您感兴趣（qù）的区域（yù）时，跟踪这些对象。不管（guǎn）对象出现和消失多少次，在整个视频中都（dōu）要对对象（xiàng）的身（shēn）份（fèn）保持（chí）一致（zhì）的理解（jiě），这一点很（hěn）关键。

过去（qù），为了有（yǒu）效训（xùn）练 AI 模型，企业不（bú）得不依靠（kào）多个供应（yīng）商（shāng）和应用来收集、准备和整合所有数据。但是现在不（bú）同了（le）。无论您是在（zài）构建 1 级或（huò） 5 级自动驾驶解（jiě）决方案，改善驾驶辅助功能，还是介于两者之间，可靠的收集和标注合（hé）作伙伴都可以提供（gòng）统（tǒng）一的产品，在一（yī）个平（píng）台（tái）训练和测试您的 AI 系统（tǒng）。

抵达车驾智能时（shí）代（dài）的关键——背后的高质量（liàng）数据

澳鹏（péng）（Appen）的研究（jiū）和经验发现，要想让 AI 试验项目进（jìn）入（rù）能带来切实利润的（de）大规模部署阶（jiē）段（duàn），企（qǐ）业（yè）应该专注于一个关（guān）键目标，这是最（zuì）简（jiǎn）单的方法之一。大多数企业（yè）都通（tōng）过构建对消费（fèi）者体验产生积极影响的 AI 取（qǔ）得了早期成（chéng）功——无论是坐在车里的乘（chéng）客（kè）或（huò）驾驶员，还是站在车（chē）外的人，都能（néng）获得（dé）更高的安全性和自主权。尽管我们已经在（zài）这一（yī）领（lǐng）域取得了长足的（de）进（jìn）步，但未来几年（nián）无人驾驶汽车并不（bú）会大范（fàn）围普及（jí），我们也不能一蹴（cù）而就。人工智能正在推动着汽车行业（yè）的深刻变革（gé），随着无人驾驶时代越（yuè）来越现（xiàn）实（shí）化，人工智能和汽车技术也越来越紧密地交（jiāo）织在一（yī）起。目前我们已经拥有了无人（rén）驾驶汽车所需的（de）所有基本技术（shù）——甚至我们也知道该怎么做。但这（zhè）与大规模运（yùn）行整个无人驾驶汽车系统截然不同。

对于大（dà）量（liàng）在无人驾驶技术和互（hù）联汽车的未来进行投资的公司而言，通常必须借助多个供应商（shāng）和应用，一同收集、标注、准（zhǔn）备和聚合所有（yǒu）数据，以便有效（xiào）地训（xùn）练其AI模（mó）型。无（wú）人驾（jià）驶汽车相当复杂，属于由复（fù）杂的机器学习算法驱（qū）动的机（jī）器。随着汽（qì）车的前进，机器学习算法模型会处理多种（zhǒng）类型的数据（jù），就像驾（jià）驶员透过（guò）挡风玻璃观（guān）察或监（jiān）视车内外的情况一样。为了使汽车具备“看”、“听（tīng）”、“理解”、“交谈”和“思考”能力（lì），需要以适当的方式收集视频、图像（xiàng）、音频、文本、LiDAR和传感器数（shù）据，对这些数据进行（háng）结构化（huà）处（chù）理（lǐ），并使其为机器学习模型所理解。汽车需要为大量的图（tú）像包含2D/3D数（shù）据赋予含义，例（lì）如（rú），识（shí）别树木或行人，识别动（dòng）态的路（lù）况，听取命（mìng）令，了解环境（jìng）的外部变化（huà），将这（zhè）些信息反馈（kuì）到汽车的AI中，为决策提供（gòng）信息（xī）支撑（chēng），并改善算法，从而实现五级（jí）自动（dòng）驾驶。同（tóng）样，智慧驾驶-智能驾舱：随着语（yǔ）音识别技术、LiDAR和（hé）能跟踪驾（jià）驶员情绪（xù）的摄像（xiàng）机的发展，人机界面的下一（yī）步重要举措就（jiù）是融合这些技术，让汽车能够识别说话者的情绪和话语，从而分辨出用户是高（gāo）兴还（hái）是沮（jǔ）丧，并给出相应的回应。通过此类车内舆情监控，了解并预（yù）测行为（wéi），实现卓越的人（rén）车互动。

对于无人驾驶（shǐ）汽车来说，就像在医疗保健或其他（tā）风（fēng）险管（guǎn）理至关重要的场景一样（yàng），为了在（zài）瞬（shùn）息（xī）万变的复（fù）杂真（zhēn）实（shí）的（de）驾驶场景（jǐng）中发挥（huī）作用，训练（liàn）数据（jù）需（xū）要由人（rén）员（yuán）进行（háng）大规模标注和（hé）验证。机器（qì）学习系统需（xū）要大量（liàng）经过专门调整的训练（liàn）数据，这些数据来（lái）自（zì）不同（tóng）的驾驶环境。要创建（jiàn）这种高质量的训练数据，就必须从人工标（biāo）注入（rù）手。例如，在训练计算机视觉解决（jué）方案时，人们需要标注和标记（jì）由传感器收集的（de） LiDAR 数据，概述图像（xiàng）中包含（hán）树木、交通（tōng）标志（zhì）等的所（suǒ）有像素。通过这种方式，系统将学会识（shí）别这些对象（xiàng），但它需要大量（liàng）示例。幸运的是，现在市场上有（yǒu）一（yī）些工具包括（kuò）澳鹏（péng）由机器学习提供辅助的LiDAR、视频、事件和像素级标记、以及语音和自然语言，都可以帮助我们加快完（wán）成这些任（rèn）务，并满足日益（yì）增长的对结构化（huà）数据（jù）的需（xū）求。通（tōng）过（guò）这些工具与工作流互联，能帮助（zhù）加速（sù）开发无人驾驶能力（lì），提高生产力，成为市场赢家。

随着（zhe）无人驾驶汽车市场（chǎng）的竞争愈（yù）演愈烈，大（dà）规模的高质量训练数据仍（réng）然是汽车行业（yè）正在努力解决的主要（yào）挑战。再加上（shàng）汽车不仅需要遵（zūn）守（shǒu）严格（gé）的（de）国（guó）家和地区法规，而（ér）且还必须了解数百种语言和方言，这些都（dōu）构成了巨（jù）大的挑战。显然，我们无法规避这（zhè）其中的偏见和（hé）挑（tiāo）战。例如一位母语为英语（yǔ）的男（nán）士驾驶（shǐ）一辆美国（guó）市场生产的汽车，他的语音识别成（chéng）功率要比（bǐ）母（mǔ）语不是英语的女性驾（jià）驶员高。简（jiǎn）而言之，主要依赖基于英语为（wéi）母语的男性语音所（suǒ）收集和标注数据的语音识别（bié）系统，在处理（lǐ）其（qí）他语音时很容易出问题。用（yòng）于事故规避（bì）和自（zì）动驾驶的视觉数（shù）据同样如（rú）此。如果训（xùn）练数据是白天天（tiān）气（qì）晴（qíng）朗时收（shōu）集的数据，则（zé）该系统在雨天的夜晚（wǎn）响应较差。

携手数据合作伙伴，将AI加速从试验阶段推向（xiàng）生产阶段

在真正采用试验模型战略并（bìng）提供（gòng） ROI 时，许多项目都无（wú）法提供有意义的结果。这会导致企业（yè）高（gāo）层（céng）退缩，无法给 CIO 留下深（shēn）刻印象，并因为无法实现价值（zhí）而导致试验被（bèi）终止。结果就是，管（guǎn）理（lǐ）人员将（jiāng）很难证（zhèng）明（míng）项目（mù）的（de）价（jià）值（zhí），并（bìng）且通常不愿意（yì）投资扩大（dà）未来（lái）的（de）试验。为确保您的 AI 试验不只是看上去好看，直接投资训练数据而不是耗（hào）费80%的时间准备训练（liàn）数据显然事（shì）半（bàn）功倍（bèi）。

许多 AI 项目从收集（jí）立即可（kě）用的数据入手，然后尝试了解如（rú）何（hé）使用这（zhè）些（xiē）数据（jù）。通（tōng）过采用适当的方法成功将模型扩展到项目之（zhī）外，您能够避免使用常规数据（从公（gōng）共资源和 Web 收集的数据以及脏/暗数据（jù）），而将重点放在（zài）收集与切实（shí）的目标（biāo）和用例相关的特（tè）定数据（jù）。为了获得成功，这（zhè）些（xiē）数据必须是（shì）可靠、干（gàn）净且有足够标注的数（shù）据，并（bìng）且团队（duì）将致力于（yú）数据（jù）维护工作，将更多专（zhuān）业（yè）的工作外包出去（qù）。

为（wéi）了（le）启（qǐ）动世界一流的 AI 计划，您应（yīng）该（gāi）寻求数据合作伙伴（bàn）为您提供可（kě）靠、高质量的训练数（shù）据，让您能够（gòu）扩展至以下五（wǔ）个（gè）关键的阶段：

试（shì）验：在（zài）大（dà）型试（shì）验中为您提（tí）供可靠的训（xùn）练数（shù）据，以确保模型可以（yǐ）快速实（shí）现扩（kuò）展。同时（shí）还可（kě）以帮助您标注（zhù）置信度低的数据或标注（zhù）边缘用例场景的数据。

数（shù）据标注：小（xiǎo）规模（mó）试验之后（hòu），通常（cháng）需要大量训（xùn）练（liàn）数据（jù）。在这种情况下可使用海量数（shù）据集训练模（mó）型，以（yǐ）确保（bǎo）模型可以适用于每个场景，没（méi）有偏见，并且按照预期方式运行。此外，这些数据必须（xū）准确无误，否则您的模型不仅无法进（jìn）行（háng）正（zhèng）确的训练，亟（jí）待（dài）解决的业务问题也被耽搁，还可能导致利益相关者不同意扩展部署规模。寻求数据标注和收集领域（yù）专家的（de）帮（bāng）助。有助于企业大大（dà）减少在获取（qǔ）数（shù）据上（shàng）所花（huā）费的时间（jiān），并（bìng）确保尽（jìn）可能高的准（zhǔn）确性。

测试和验证：训练模型后，需（xū）要使用一组未用于训练（liàn）模型（xíng）的数（shù）据进行验证，以调（diào）优模（mó）型。在验证阶段，企业（yè）可（kě）以（yǐ）更好地测试数据是否妥善标记了（le）正确的意图，并（bìng）确保模型不会由于极端例子而出现（xiàn）任（rèn）何（hé）偏差或失败（bài）。从而无偏见（jiàn）地预估最终调优（yōu）模型的技能（néng）。

扩展部署至生产（chǎn）环境：如果模型在测试（shì）和验证阶（jiē）段都成（chéng）功了，就该扩展部署（shǔ）了。企业可以进（jìn）一步评估和验证（zhèng）置信（xìn）度低的（de）答案，但无论如何，企业都应该自信地扩展试验。

再训练：顺利完成了扩（kuò）展——但是在全（quán）面部署时您（nín）的模（mó）型可以准确执行（háng）多长时间？定期对（duì）模（mó）型进行再训练，这一点对于（yú）避免模型漂移（yí）和解决用例转（zhuǎn）换至关重（chóng）要。

展望未来，澳鹏（péng）汇集（jí）了（le）所有必要的要素，帮助企业走向成功

未来（lái）的交通运输（shū）将以（yǐ）世界一流的 AI、超快（kuài）的连接和（hé）对环境的影响为基础。因此，AI 的潜（qián）在使用（yòng）场（chǎng）景范围非常广泛。而且，尽管（guǎn）企（qǐ）业 AI 和机器学习用例变（biàn）得越来越多样化（从（cóng）供应链和制（zhì）造到（dào）无人驾驶（shǐ）汽车和移动即服务），但以消（xiāo）费者体验（yàn）为中心的（de）应用仍然是最（zuì）普遍也最成功的（de）大（dà）规模部署的应用（yòng）。这是因为车内和车外体验都（dōu）与明确的 KPI 直接关联，并（bìng）且很多汽车企业拥有大量未挖掘的（de）数据，他们可以利用这些（xiē）数据来改善（shàn）这些（xiē）体验。

因此为了确保为多（duō）模式和多媒体视觉和（hé）语音识别系（xì）统（tǒng）能够提（tí）供足（zú）够（gòu）的无（wú）偏（piān）见训练数据，就需要大量代表不同地理、文化、性别和语言的（de）标注人（rén）员（yuán）。所有这些数据必须由这一领域的专家进行标（biāo）注和收集（jí），并用于快速、高效（xiào）地大规模训练和改进机器学习（xí）模型。澳鹏（Appen）在无人（rén）驾驶（shǐ）汽车（chē）领域是超过（guò）15年以上的行（háng）业经验专家，享有与世界前十大整车厂丰富的合作经验（yàn）及（jí）深邃（suì）的行业洞察能力，为无（wú）人驾驶及智能座舱等商业场景训练数据提供多传（chuán）感器（qì）融合的LiDar点云（yún）数据标注，PLSS，计算机视觉机器学习（xí）辅助标注工具，以及车内数据采（cǎi）集（jí），语言覆盖全球180多种语种。

“汽车和交通运输相关数据（jù）的收集、管理和（hé）基（jī）于 AI 的开发（fā）将决定谁能（néng）成（chéng）为下一代移动出（chū）行领域的赢（yíng）家。要成为（wéi）赢家，企业需要战略愿景（jǐng）、商（shāng）业头脑和技术实（shí）力。澳鹏（Appen）汇集了所有（yǒu）必要的要素，以帮助企业走向成功。” Evangelos Simoudis Synapse Partners 董事总经理如是说。在新（xīn）基建的春风之下，人工（gōng）智能作为新一轮产（chǎn）业（yè）变革（gé）的核心驱动（dòng）力将释放历次科技革命（mìng）和（hé）产业变革积蓄的巨大能量。任何实施AI 战略的（de）企业都应（yīng）使用高质量的数据来最大程（chéng）度地提高成（chéng）功（gōng）机会，与经（jīng）验丰富的合作（zuò）伙伴（bàn）合作并借助（zhù）可靠的流程，对提高成（chéng）功几率并提供（gòng）无缝的汽车和（hé）驾驶员体验而言至关重要。