自动驾（jià）驶（shǐ）——疫情危（wēi）难中显身手

2020年，一场（chǎng）突如其来的新冠肺（fèi）炎肆虐全球， 导致（zhì）不（bú）同国（guó）家的人们被迫（pò）隔离（lí）或保（bǎo）持社交距离（lí），人与人之间的接触变得风险极高。一（yī）时间，人们对于（yú）人工（gōng）智能机器（qì）人（rén）、自动驾驶等可（kě）有效解（jiě）决人与人接触的“无（wú）人”技术（shù）的出现与应用翘首（shǒu）以待。疫情期（qī）间，从无（wú）接触测温到在线办（bàn）公，云（yún）会议、在线教育、在线（xiàn）发布会、云逛街、云旅（lǚ）游等（děng），人工（gōng）智能（néng）在这场战役中大显神威（wēi），以前没有（yǒu）的（de）模（mó）式在不断被创造（zào），人工智能对（duì）众（zhòng）多行业（yè）的（de）“赋能”作（zuò）用也开（kāi）始（shǐ）显现并迅速（sù）获得（dé）人（rén）们的青睐。

特别是一些物资运输和物（wù）流方已经采（cǎi）用无人车（chē）送货的方式，避免人（rén）与（yǔ）人直接接触的问题（tí）；有些医院采（cǎi）用了无人消毒、清洁车；有些在医院（yuàn）为患者（zhě）进（jìn）行无人送（sòng）餐等。诸如（rú）这些鲜活的事例（lì）在这（zhè）次疫情中可以说是不胜枚举。

据统计 ，我（wǒ）国这次采用（yòng）自动驾驶的达到十几个地级（jí）市，北上（shàng）广都涵盖在其（qí）中，同时此次使（shǐ）用的投（tóu）入量也达到数百个。不仅在国内，国（guó）外也是（shì）如此，法国的NAVYA与美（měi）国的诊所（suǒ）合作（zuò），也开始进行无人车配送药品（pǐn）或者检测（cè）样本。

“自（zì）动驾驶”在这（zhè）次（cì）疫情（qíng）中实（shí）际的投入和使用，虽然是牛刀小试，但足以让人（rén）们（men）对（duì）此（cǐ）有（yǒu）了全（quán）新的认识。由此我们看到了自动驾驶领域（yù）应用的（de）广泛前景和（hé）巨（jù）大市场潜力。自动驾驶一直是人类对未来的（de）幻想，而想要实现真正的无人（rén）驾驶仍然面临诸多挑战。如何快速实现商（shāng）业化，是（shì）现在很多投资自（zì）动（dòng）驾驶（shǐ）的公司所倍加（jiā）关（guān）注的（de）问题。以（yǐ）前更多的聚焦是在无（wú）人（rén）车（chē）是（shì）一（yī）种交通工具（jù），主要用于解决运（yùn）输人的问（wèn）题；而现在，它更像是可以成为替代（dài）简单重（chóng）复（fù）性工作的“助理”。

为了使汽车行（háng）业制造出最高效（xiào）、最安全（quán）的无人驾（jià）驶（shǐ）汽（qì）车，汽车投资者必须采（cǎi）取消费者至上的思维方式才能居于领先。事实上对（duì）于大多数的驾驶员（yuán）来（lái）说（shuō），当下的驾驶体验仍然事与愿违。原本用于导航、通信和娱乐的免提系统应（yīng）该尽可能减少干（gàn）扰，但（dàn）是（shì）目前差强人（rén）意（yì）的（de）语音（yīn）识别功（gōng）能每（měi）每让人沮丧，反而给驾驶（shǐ）员带来了更多（duō）不必（bì）要（yào）的干扰。新的（de）无人驾驶（shǐ）和驾驶辅助（zhù）功能虽然已（yǐ）经有（yǒu）所改善，可以（yǐ）提供一定帮助，但它们还远远不能达到理想（xiǎng）状态。唯有那些致力于提升（shēng）消（xiāo）费者体（tǐ）验（yàn）的企（qǐ）业，才（cái）能最终在竞（jìng）争中（zhōng）脱颖（yǐng）而出（chū），无论（lùn）是乘客或驾驶员在车内的内部（bù）体验，还是提升安全（quán）性和自主（zhǔ）性（xìng）的（de）汽（qì）车外部体验（yàn）。

目前疫情在国（guó）内已经受到一定程度（dù）的控制，疫情终会消散，但谁也不敢预言疫情会不会卷土重来？那（nà）么未来的（de）驾驶（shǐ）又将会是什么样子？何时我们才能够抵达未来？

未来自动驾（jià）驶（shǐ）不（bú）仅仅是技术问题——问题和挑战

虽然 AI 技术正在（zài）迅速走向成熟，但 AI 的发展所涉（shè）及的不仅（jǐn）仅是（shì）技术（shù），还包括监管、业务和产品挑战（zhàn）、社（shè）会（huì）认可和新（xīn）技术发展方面的挑战。就自动驾驶来说主要涵盖复杂程度（dù）、安（ān）全性、本（běn）地化和再（zài）训练几个方面。

首先（xiān）以接送孩子上下学（xué）为例。其中涉（shè）及的不仅仅（jǐn）是从 A 点到 B 点（diǎn）行驶的技术，还有由谁来（lái）负责巴士的安全（quán）？政府、巴（bā）士制（zhì）造商、AI 软件工程师、还（hái）是由他们一起负责？一（yī）旦出了问题了，该（gāi）怎么办？在（zài）旅途中如何监控孩子的行为，如何处理从巴（bā）士到学校的责任转移？这些恐怕（pà）都涉及到需（xū）要立法（fǎ）、法规和保险业的全面（miàn）投入才能（néng）逐一获得很好、妥善的解决。

其次，供应商（shāng）必须弄清楚如（rú）何收（shōu）集和处理大量数据，才能支持成千上万辆同时交互的无（wú）人（rén）驾驶汽车（chē）。在投入生产之（zhī）前，还必须能（néng）够（gòu）证明产品足（zú）够安全（quán）可（kě）靠（kào），并（bìng）且足（zú）以抵（dǐ）御网络的恶意攻击。最后，他（tā）们必须开发一（yī）种能支持解决方案（àn）扩展的（de）业务（wù）模式（shì）。

千人千面，并非每个人都（dōu）对无人驾驶汽车感兴趣（qù）。因此，我们可能（néng）会遇到周围一些思想和（hé）行为上偏（piān）保守的人的强烈抗拒乃至强行抵制。也就是说自动驾驶必须首先解决（jué）的是观念和意识，也就是信（xìn）任两个（gè）字。事实上凡（fán）是每当出现一项重大（dà）的新技（jì）术（shù），我们都会面临这些（xiē）问题。某种程度上讲，我们如何管理无（wú）人（rén）驾驶和自动驾驶汽车（chē）的这些问题，将影响人们对这种急剧（jù）的社会变革（gé）的接（jiē）受程度，以及（jí）从长远来看，如何评估它对于社会发展的进程到底是利还（hái）是弊。

随（suí）着5G+IOT+AI等新（xīn）技术的到来（lái），物（wù）理世（shì）界的一切都会（huì）被映射到数字世界，无人驾驶领域也即将进（jìn）入车驾智能感（gǎn）知时代（dài），换句话说就是把道路也变（biàn）成智能的。在道路（lù）部署很多的RSU（Road Side Unit），配上激（jī）光雷达（dá）的（de）扫描处理，让汽车和（hé）道（dào）路（lù）进行信息（xī）的即时传（chuán）递，以此大幅提升无人车路径规（guī）划（huá）和决策的准（zhǔn）确性。随着5G的商业化部署和其他新技术引入，势必也将（jiāng）给无人驾（jià）驶汽车行业和各国政府所选择的（de）技术路线带来更多新的机遇和挑战。

复杂程（chéng）度：与基（jī）本要素一（yī）样，企业可能没太关（guān）注复杂程度如何影（yǐng）响其项目。通过（guò）寻（xún）找可靠的数据合作伙伴，他们的专业知识可以为（wéi）企业提供（gòng）指导和见解。例如，本体越大，项目就（jiù）越复杂。一（yī）个经验（yàn）丰富的数据（jù）合作伙伴将（jiāng）帮助您确定这种情况如何导（dǎo）致您投入更多的（de）时（shí）间和成本，并找（zhǎo）到与您的（de）整体业务（wù）目标（biāo）契合的解（jiě）决方（fāng）案，这对于（yú）考虑图像和视（shì）频至关（guān）重要。

本地化：本地化（huà）在汽车行业中尤（yóu）其重（chóng）要。由于汽车企业在设（shè）计模型（xíng）时需要考虑（lǜ）多个市场，因此，他们需要考（kǎo）虑不（bú）同的（de）语言、文化和受众特征，从而（ér）妥善定制消费者体（tǐ）验。本地化项目非常适合作为您（nín）与数（shù）据合作伙伴（bàn）的首个合作项目（mù），他们可以（yǐ）利用资深的（de）语言专家（jiā）团队来开发风格指南和语音角色（正（zhèng）式，闲谈等），以及（jí）跨语种进行优化。

安全性：汽车行业收集的许多数据中都包（bāo）含敏感数据，需要企业额外采取安全措施。理想的数据合作伙伴（bàn）不仅（jǐn）会提供各种（zhǒng）安全选项，甚至在最基本（běn）的级别上都具有严格的（de）安全标（biāo）准，以确保正确处理您的（de）数据。寻找能（néng）提（tí）供以下选项的（de）数据合作伙伴；安（ān）全数据访问（wèn）（对（duì） PII 和 PHI 至（zhì）关重要）；安全（quán）众（zhòng）包（bāo）和现场（chǎng）服务选（xuǎn）项；私有云部署；内（nèi）部部（bù）署；以及基于 SAML 的单点登录（lù）等。

再训练：麦肯锡认（rèn）为（wéi），1/3 的上线（xiàn） AI 产品需要每月更新才能适应不断变化的形势，例如模型漂移或用例转换（huàn）。许多企业跳过了这一关（guān）键（jiàn）步骤，或者完全（quán）将其搁（gē）置一旁。不过，如此一来（lái），需要通过大规模部署且能够取得足够长期成（chéng）功的 AI 项目来证明 ROI 会越（yuè）来越限制更（gèng）长（zhǎng）期数据再训练的风险（xiǎn），却得到了避（bì）免。通过再（zài）训（xùn）练，您可以（yǐ）迭（dié）代模型，使（shǐ）模（mó）型变得更加准确和成功（gōng）——您最好利用数据（jù）合作伙伴来重新标记数据，并使用（yòng）人工评（píng）估程序来分析低（dī）置（zhì）信（xìn）度（dù）预测，从而提供（gòng）支持。

由AI驱动的智能座舱

由 AI 驱动的（de）智能（néng）座舱已成为许多企业品牌的代（dài）名词。汽（qì）车（chē）制（zhì）造商正在（zài）与相（xiàng）关的生态系（xì）统提（tí）供商合作或（huò）寻求合作，为客户创造更多价值。由 AI 驱动的智（zhì）能座舱能带来诸多（duō）优（yōu）势，包括改善驾驶员（yuán）体验和安全性，以及提供（gòng）直观（guān）的车内助手。这（zhè）意味着可以在训练数（shù）据的帮助下，采用 AI 并（bìng）实现可（kě）扩展的部署，改进车内和车外体验。

随着全自动驾驶汽车领域的（de）竞争日（rì）益激烈，市场上已经建（jiàn）立（lì）了一个（gè）标准，该标（biāo）准定义了（le）六个自动驾驶级别，旨在让汽车制造商、供应（yīng）商和政策制定者可以讨论和比较系统。这六（liù）个自动驾驶级别与不同的消费者体（tǐ）验挂钩，2 级 （L2） 和 3 级 （L3） 之间发（fā）生了（le）重大（dà）变化。从 2 级过（guò）渡（dù）到 3 级（jí），监（jiān）控汽车的责任从驾驶员（yuán）转移（yí）给了（le）系统。由于自动驾驶级别（bié）不同，聚焦消费者体验能帮助您在车（chē）内和（hé）车外体（tǐ）验领域快速获得成功，使得这（zhè）些体（tǐ）验极易受到成功可扩（kuò）展性的影响。

车内体验（yàn）通常被描述为由 AI 驱动的驾驶舱，涵盖了（le）整个（gè）用户体验——包（bāo）括驾驶员和所有乘客，旨在打（dǎ）造更智（zhì）能、更愉悦（yuè）的总体（tǐ）车内体验。它包括将 AI 应用于（yú）智能驾驶辅助程序，以改善安（ān）全性或信息娱乐系（xì）统（tǒng），不（bú）仅可为驾（jià）驶（shǐ）员导（dǎo）航，同（tóng）时为后（hòu）排乘客推荐相关服务。

而谈到车外（wài）体验，尽管（guǎn）企（qǐ）业（yè）都在（zài）竭尽全力（lì）实现五级自（zì）动（dòng）驾驶，由 AI 驱动的智能汽车仍然需要更高水平的计算（suàn）机视觉和计算能（néng）力——雷达和（hé）摄像头的传感器每秒传输大量数据，以处理诸（zhū）如危（wēi）险（xiǎn）的路况（kuàng）、道路上的物体和道路标志之类的状况（kuàng）。

得（dé）益于计算机视觉机器学习模型领域的（de）最新研究，由 AI 驱动的无人驾驶机（jī）会主要（yào）聚焦（jiāo）如何利用 LiDAR、视频对（duì）象跟踪和传（chuán）感（gǎn）器数（shù）据支持（chí）计算（suàn）机视觉。这些技术能帮助汽车（chē）在从 A 点驶向 B 点（diǎn）的过程中（zhōng）拥有（yǒu）“视觉”和“思考”的（de）能力。帮助训练模型执行任务的数据（jù）标注服（fú）务包括：

点云标记（jì）（LiDAR、雷达）：通过识别和跟（gēn）踪场景中的对象，了解汽车前后（hòu）和（hé）周围（wéi）的场景。将点（diǎn）云数据（jù）和（hé）视频流合并到一（yī）个要标注的（de）场景中（zhōng）。点云数据可帮（bāng）助您的模型了解汽车周围的情况。

包（bāo）括语义（yì）分段的 2D 标记：帮助您（nín）的模型更好地理（lǐ）解可（kě）见光摄像（xiàng）机（jī）的输（shū）入。寻找一家（jiā）数据合作（zuò）伙伴，帮（bāng）助您为（wéi）自定义本（běn）体创建可扩展的边界框或（huò）高度（dù）详（xiáng）细的像（xiàng）素模板。

视频对象和事（shì）件跟踪：您的模型必须了（le）解对（duì）象如何随时（shí）间移动，您的数（shù）据合作伙伴（bàn）应该协助您标记时间事件。在视频和 LiDAR 场（chǎng）景的多（duō）个帧里，在本体中的对象（xiàng）（如其（qí）他汽车和行人）进入和离开（kāi）您感（gǎn）兴趣的（de）区域时，跟踪这些（xiē）对象（xiàng）。不管（guǎn）对（duì）象出现和消（xiāo）失多少（shǎo）次，在整（zhěng）个视（shì）频中都要对对象的身份保持一（yī）致的理解（jiě），这一点很（hěn）关键。

过（guò）去，为（wéi）了有效训练 AI 模型，企（qǐ）业不得（dé）不依靠多个供应商和应（yīng）用来收集、准（zhǔn）备和整合所有数据（jù）。但（dàn）是现（xiàn）在不同了。无论您是在构建 1 级或（huò） 5 级自动驾驶解决（jué）方案，改善驾驶辅助功（gōng）能，还是介于两者之间，可靠的收集（jí）和标注合作伙伴都（dōu）可以（yǐ）提供统一的产品，在一个平台训练和测（cè）试您的（de） AI 系（xì）统。

抵达车驾智能时（shí）代的关键（jiàn）——背后（hòu）的高质量数据（jù）

澳（ào）鹏（Appen）的研（yán）究和经验发现，要想让 AI 试验项（xiàng）目进（jìn）入能带来切实利（lì）润的（de）大（dà）规模部署阶段（duàn），企业应该专（zhuān）注于一个（gè）关键目标，这是最简单的方法之一。大多数企业都通过构建对消费者体验产生（shēng）积极影（yǐng）响的 AI 取得了早期成功——无论是坐在车里的（de）乘客或驾驶员，还是站在车外的（de）人，都能获得更高（gāo）的安（ān）全（quán）性和自主权。尽管我们已经在这一（yī）领域取得了长足的进步，但未（wèi）来几（jǐ）年无人驾驶（shǐ）汽车并不会大范（fàn）围普及，我们也不能一蹴而就。人工智能正在（zài）推动（dòng）着汽车行（háng）业的（de）深（shēn）刻变（biàn）革，随着（zhe）无人驾驶时代越来越现实（shí）化，人（rén）工智（zhì）能和汽车技术也越来越紧密地（dì）交织在一（yī）起。目前（qián）我（wǒ）们已经（jīng）拥有（yǒu）了（le）无人（rén）驾驶（shǐ）汽车（chē）所需的所有基本技术——甚（shèn）至我们也知道该怎么做。但这与（yǔ）大规模运（yùn）行（háng）整个（gè）无人驾（jià）驶汽车系统截然不同（tóng）。

对于大量在无（wú）人驾驶技术和（hé）互（hù）联汽车的（de）未（wèi）来进行投资的公司（sī）而言（yán），通常必（bì）须借助多个供（gòng）应（yīng）商（shāng）和应用，一同（tóng）收集、标注、准备和聚合所（suǒ）有数据，以便有（yǒu）效地训练其AI模型（xíng）。无人驾驶（shǐ）汽车相当复杂（zá），属于（yú）由复杂的机器学习算法驱动的机器（qì）。随着汽车的前进，机器学习算法模型会处理多种类（lèi）型的数据，就像驾驶（shǐ）员（yuán）透过挡风玻璃观察或监视（shì）车内外的情况一（yī）样（yàng）。为了使（shǐ）汽车具备“看（kàn）”、“听”、“理解”、“交谈”和（hé）“思考（kǎo）”能力（lì），需要以适（shì）当的（de）方式收（shōu）集视频、图像、音频、文本（běn）、LiDAR和传感器数据，对（duì）这些数据进行结构（gòu）化（huà）处理，并使其（qí）为机器学习模型（xíng）所理解。汽车需要为大量的图（tú）像（xiàng）包含2D/3D数据赋予含义，例如，识别树木或行人（rén），识（shí）别动（dòng）态的路（lù）况（kuàng），听取命令，了解环境（jìng）的外部变化，将这些（xiē）信息反馈（kuì）到（dào）汽车的（de）AI中，为决策（cè）提供信息（xī）支（zhī）撑（chēng），并（bìng）改善（shàn）算（suàn）法，从而（ér）实现五级自（zì）动驾驶。同（tóng）样，智慧驾驶-智能驾舱：随着（zhe）语音识别技术、LiDAR和（hé）能跟踪驾驶员情（qíng）绪的摄像机的发展，人（rén）机（jī）界面的下一（yī）步重要举措就是（shì）融合这些技术，让汽车能够识（shí）别（bié）说话者的情绪和话语，从而分辨出用户（hù）是高兴还是沮丧，并给（gěi）出相（xiàng）应的回应（yīng）。通过此类车内舆情监控（kòng），了解并预测（cè）行（háng）为，实（shí）现卓（zhuó）越的人车互动（dòng）。

对于无（wú）人驾驶（shǐ）汽车（chē）来说，就像（xiàng）在医疗保健或其他（tā）风险管理至关重要的（de）场景一样，为了在瞬息万变的复杂真（zhēn）实的驾驶场（chǎng）景（jǐng）中发挥作用，训（xùn）练数据（jù）需要由人员进行大（dà）规模标注和验证。机器学习系统需要大量经过专门调（diào）整的训练数据，这（zhè）些数据来自（zì）不同（tóng）的（de）驾驶环境。要创建（jiàn）这种高质量的训练数据，就必须从（cóng）人工标（biāo）注入手。例（lì）如，在训练计算机视觉解决方案时，人们需要标注和标记由传感器收集的 LiDAR 数（shù）据（jù），概（gài）述（shù）图像中包含树木（mù）、交通（tōng）标志等的所有像素。通（tōng）过这种方式，系统将学会识（shí）别这些对象，但（dàn）它需要大量示例。幸运（yùn）的是，现在市（shì）场上有一些（xiē）工具包括澳鹏由机器学（xué）习提供辅助的LiDAR、视频（pín）、事件和像素级标记（jì）、以及语音和自（zì）然语（yǔ）言，都可以帮助我们加快完成这些任务，并（bìng）满足日（rì）益增长的对结构化数据（jù）的需（xū）求。通过（guò）这些工具与工作（zuò）流互（hù）联，能帮助加速开（kāi）发无人驾驶能力，提高生产力，成为市场（chǎng）赢家。

随着无人驾驶汽车市场的竞争愈演愈（yù）烈（liè），大规（guī）模的高质量训练（liàn）数据仍然是（shì）汽车行业正在努力解（jiě）决（jué）的（de）主要（yào）挑战。再（zài）加（jiā）上汽车不仅需要遵守严格的（de）国家和地区法规，而且还必须了解数百种语言和方言，这（zhè）些都构成了巨大的挑战。显（xiǎn）然（rán），我们无法规（guī）避这其中的偏见和（hé）挑（tiāo）战。例如一位母语（yǔ）为英（yīng）语的（de）男士驾驶一辆美（měi）国市（shì）场生产（chǎn）的汽车，他的语音识别成功率要比（bǐ）母语不是英语的（de）女性驾驶（shǐ）员高。简而言之，主要依赖基于英语为母语的男性语音所收集和标注数据的语音识别（bié）系统（tǒng），在处理其他语音时很容易出问题。用于事故规避和自动驾驶的视觉数据同（tóng）样如（rú）此。如果训练数（shù）据是白天天（tiān）气晴朗时（shí）收集的数据（jù），则该系统在雨天的（de）夜晚响（xiǎng）应较差（chà）。

携手（shǒu）数据合作伙伴，将AI加速从试验阶段（duàn）推向生（shēng）产阶段

在真正采（cǎi）用（yòng）试验模型战略并提（tí）供 ROI 时，许（xǔ）多项目都（dōu）无法（fǎ）提供有意义的结果（guǒ）。这会导致企业高层退（tuì）缩（suō），无法（fǎ）给 CIO 留下深刻印象，并（bìng）因为无（wú）法实现价值而导致试（shì）验（yàn）被（bèi）终止。结果就是，管理人（rén）员将很难证明（míng）项目的（de）价值，并且通常不愿意投资扩（kuò）大未来的试验。为确（què）保您的 AI 试验不只是看上去好看，直接投（tóu）资训练数据而不是耗费80%的时间准（zhǔn）备训练数据显然事（shì）半（bàn）功倍。

许多（duō） AI 项目从收集（jí）立即可用的数据入手，然后尝试了（le）解如何使用这些数据。通过采用（yòng）适（shì）当的方法成功（gōng）将模（mó）型（xíng）扩展到项目之外，您能（néng）够避免（miǎn）使（shǐ）用常（cháng）规数据（从公共（gòng）资源和 Web 收集的数据以及（jí）脏/暗数据），而将重点放（fàng）在（zài）收（shōu）集与切（qiē）实的目标和用（yòng）例相关的特（tè）定数据。为了获得（dé）成功，这些数据必须（xū）是可（kě）靠（kào）、干净且有足够标注的（de）数据（jù），并且团队（duì）将（jiāng）致力（lì）于数据维护工作，将更（gèng）多专业（yè）的工作外包出（chū）去。

为（wéi）了启动世（shì）界一（yī）流（liú）的 AI 计划，您应该（gāi）寻求数据合作伙伴（bàn）为您提供可靠、高质量的训（xùn）练数（shù）据（jù），让（ràng）您能够扩展至以下五个（gè）关键的阶段：

试验：在（zài）大型试验中为您提供可靠的训（xùn）练数据，以确保模型（xíng）可以（yǐ）快速实现扩展。同时还（hái）可（kě）以帮助您标（biāo）注置信度低（dī）的数据或标注边缘用例场（chǎng）景的数据。

数据标注：小（xiǎo）规模试验之后（hòu），通常需要（yào）大量训练（liàn）数据。在这（zhè）种情况下可（kě）使用海量数据（jù）集训练模型，以（yǐ）确保（bǎo）模（mó）型（xíng）可以（yǐ）适（shì）用于每（měi）个（gè）场景（jǐng），没有偏见，并且按照预期方式（shì）运行。此外，这些数据必须准确无误，否则您的模型不仅（jǐn）无（wú）法进（jìn）行正确（què）的训练，亟待解（jiě）决的业务问题也被耽搁，还可能导致利益相关者不同（tóng）意扩展部（bù）署规模（mó）。寻（xún）求数据标注和收（shōu）集领（lǐng）域专家的帮助。有助于企业大大减少在（zài）获（huò）取数（shù）据上所花费的时间，并确保尽（jìn）可能高的准确性。

测试和验（yàn）证：训练模型后，需要（yào）使用一组未用（yòng）于训练（liàn）模型的数（shù）据进行验证，以调优模型。在验证阶段，企业可以（yǐ）更好地测（cè）试数据是否妥（tuǒ）善（shàn）标记（jì）了正确的意图，并确保（bǎo）模型不会由于极（jí）端例子而出现（xiàn）任（rèn）何偏（piān）差或失败。从而（ér）无（wú）偏见地预估最终调（diào）优模型的技能。

扩展部署至（zhì）生产环境（jìng）：如果模型在测试和（hé）验证阶（jiē）段（duàn）都（dōu）成功了，就该扩展（zhǎn）部（bù）署了。企业可以（yǐ）进（jìn）一步评估和验（yàn）证置信度低（dī）的答案（àn），但无论（lùn）如何，企（qǐ）业都应该（gāi）自（zì）信地扩展试验（yàn）。

再（zài）训练（liàn）：顺利完成了扩展——但是在全（quán）面部（bù）署时（shí）您的（de）模型（xíng）可以准确执行多长（zhǎng）时间？定期对（duì）模型进行再（zài）训练，这一点对于避免（miǎn）模型漂（piāo）移和解决用例转换（huàn）至关重要。

展望未来，澳鹏（péng）汇集了所有必要的要素，帮助（zhù）企业走向成（chéng）功

未来（lái）的交通运输（shū）将以世界（jiè）一流的 AI、超快的连接和对环境的影响为基础。因此，AI 的潜在（zài）使用（yòng）场景范围（wéi）非常广泛。而且，尽管企业 AI 和机器学习用例（lì）变得（dé）越来越多样化（从供应链和制（zhì）造到无人驾驶汽车和移动（dòng）即服务（wù）），但以消费者体验（yàn）为中（zhōng）心（xīn）的应用（yòng）仍然是（shì）最普遍也（yě）最成（chéng）功的大规模部署的（de）应用。这是因为（wéi）车内和车外体（tǐ）验都与明确（què）的 KPI 直接关联，并且很多汽车企业拥有（yǒu）大（dà）量未挖掘（jué）的数据（jù），他们可以利用（yòng）这些数据来改善（shàn）这些体验。

因此为了确（què）保为多模式和多媒体视觉和（hé）语（yǔ）音识别系统能够提供足够的无偏（piān）见训练数据，就需要（yào）大（dà）量代（dài）表不同地（dì）理、文化（huà）、性（xìng）别（bié）和（hé）语言的标注（zhù）人员。所有这些数据必须由这一领域（yù）的专家（jiā）进行标注和收集，并用于快速、高效地大规模训（xùn）练（liàn）和（hé）改进机器学习模型。澳鹏（Appen）在无人驾驶汽车领域是超过（guò）15年（nián）以上的（de）行业经验（yàn）专家，享有与世界前十大整车厂丰富的（de）合（hé）作（zuò）经验及（jí）深邃的行（háng）业洞察能（néng）力（lì），为无人驾（jià）驶及智能座舱等（děng）商（shāng）业（yè）场景训练数据提供多传（chuán）感器融合的LiDar点云数据标注，PLSS，计算机视（shì）觉机器学习辅助标注工具，以及车内数据（jù）采集，语言覆盖全球（qiú）180多种语种。

“汽车和交通（tōng）运输相关数据的收集、管理和基于 AI 的开（kāi）发将决定谁能成为下一代移（yí）动出行领域的赢家（jiā）。要成为赢家，企业需要（yào）战略愿景、商业头脑（nǎo）和技术实力。澳鹏（Appen）汇集了所（suǒ）有必要的要（yào）素，以帮助企业走（zǒu）向成功。” Evangelos Simoudis Synapse Partners 董事总经理如是（shì）说。在新基建的春风之（zhī）下（xià），人工（gōng）智能作为新一轮产业变（biàn）革的核心驱动力将释放历（lì）次（cì）科技（jì）革（gé）命和产（chǎn）业变革积蓄（xù）的巨（jù）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度地提高（gāo）成功（gōng）机会，与（yǔ）经验丰富的合作伙伴（bàn）合作并借助可靠的流（liú）程，对提高（gāo）成功几率（lǜ）并提供无缝的汽车和驾（jià）驶员体验而言至关重（chóng）要。