星塵數據：以MorningStar加速AI創新

模型和算力可以購買，但數據需要精細化、全流程的管理，才能釋放真正的價值。

在大模型時代，各行業都需要基于自身數據打造超級員工，以提高企業的生產效率。模型和算力可以購買，但數據需要精細化、全流程的管理，才能釋放真正的價值。企業需要搭建可發現、可管理、可協作、可迭代的數據管道，才具備獲取數據、生產數據、持續迭代數據的能力，促進內部以數據為中心的協作，從而在AI 2.0時代中獲得核心競爭力。

在這樣的背景下，深耕數據科技領域的資深玩家——星塵數據在近日發布了專注于數據價值發現的平臺MorningStar，旨在打通AI算法從訓練到生產全鏈路中的數據管理、迭代、優化、挖掘等閉環鏈路。發布會間隙，星塵數據創始人amp;CEO章磊向《汽車觀察》記者暢談了企業數據管理在人工智能2.0時代的意義、行業痛點以及解決方案。

人工智能迎來四大發展趨勢

近年來，AI算法經歷了多個發展階段，都和數據的突破息息相關。章磊指出，人工智能迎來四個發展趨勢。

第一個趨勢是：數據技術驅動人工智能發展三次變革。“數據技術是推動人工智能發展變革的核心原因。2009年，ImageNet項目充分展示了深度神經網絡的潛力。該項目不僅證實了深度學習模型處理復雜視覺任務的能力，也凸顯了大規模標注數據在訓練高效模型中的重要性。2017年，Transformer架構的推出及其在BERT和GPT等模型中的應用，帶來了另一次飛躍。這一階段的關鍵創新在于能夠利用全網數據進行大規模并行訓練，顯著提升了模型的理解和生成能力。2022年，大語言模型進一步證明了數據策略和數據質量對于模型的重要性。”章磊解釋說。

第二個趨勢是：數據管理職責細分化，企業數據債亟需消除。章磊認為，數據管理正在經歷職責細分化，從以個人為中心的協作將轉變為以數據為中心的協作。AI數據全生命周期管理，可促進多角色的數據統一認知。

“過去，我們需要算法部門、業務部門、產品部門和技術部門等多個部門共同協調和統一。在從數據到算法的流程中，由于中間層的存在，溝通效率往往降低。未來的企業需要一個讓所有參與者站在同一個視角下協作的平臺。在AI研發的不同階段，如早期、中期和晚期，算法的視角、理念和認知是不斷變化的。同時，部門之間，如服務和運營部與項目執行部，以及人與人之間，如算法工程師之間，存在認知鴻溝，導致很多數據的語義背景信息難以通過文檔或郵件清晰傳達，因此，我們需要一個以數據為中心的載體，來清晰表達數據背后的語義信息。”章磊表示。

第三個趨勢是：AI生態發展將以數據閉環為中心。章磊坦言，過去以模型研發為中心，數據相對固定，而隨著模型不斷迭代，模型效果提升主要來自數據，轉向Data-centric AI。以大模型為例，模型架構變化不大，真正變化的是背后的數據。以GPT為例，從GPT2到GPT3，數據集的量從40GB增加到45TB。而從GPT3到GPT4，不再是數據量的增加，而是全網數據的利用，包括數據訓練策略、數據清洗、數據整理、數據分布以及人類反饋等方面。

在章磊看來，未來算法的發展將類似于互聯網時代的快速迭代，這種迭代不是改變模型架構，而是優化數據。

第四個趨勢是：通過AI打造超級員工，企業生產力將十倍提速。章磊指出，通過AI打造企業的超級員工，將使企業成為24小時不停運轉的超級大腦，所有員工圍繞這個大腦不斷沉淀數據和大模型，然后將大模型的能力賦能給企業。

數據成為AI 2.0時代差異化競爭力

章磊介紹，自2022年以來，大模型驅動企業經營效率提升10倍已成為可能，關鍵在于企業數據能不能成功打造超級員工。“超級員工可以幫助企業完成研發、代理、銷售產品、財務等任務，但并非所有數據都同等重要，只有那些黃金數據集才能有效幫助模型迭代。如何準備這些數據集已成為自動駕駛公司、車廠和各類企業的核心競爭力。”他說。

MorningStar的設計靈感源自人的海馬體。在章磊看來，只有“記憶”是屬于企業自己的，企業的核心知識、信息和數據就像人的海馬體一樣，應該存在于企業內部的固定數據管理系統中。

隨著大模型的發展，企業員工數量可能會減少，企業只有自身具備沉淀私域高質量數據的能力，即可直接用于生成超級員工的數據，才能獲得市場競爭的核心優勢。“在 AI 2.0 時代，掌握自己的數據就是掌握自己的模型。企業數據價值的核心在于定義、管理和迭代。”章磊說道。

章磊認為，數據管理的首要要求是可管理性；其次是可挖掘性，即在數據中挖掘出對模型有價值的信息；第三是可迭代性，數據需要根據模型和用戶反饋不斷變化；第四是可優化性，數據應不斷優化并協同工作，以打造真正屬于企業的數據資產。

MorningStar打通AI數據全生命周期管理

AI的變革凸顯了數據技術在推動機器學習算法進步方面的關鍵作用。據章磊介紹，算法開發過程中有80%的工作與數據相關。一個算法的上線部署需要經歷需求定義、方案制定、數據采集、數據標注、模型設計、訓練、指標測試、推理優化等等。在各個環節中，各個角色跨組織協同會導致企業數據債（指的是企業當前狀態與最大化數據價值之間的差距，包含算法和其他部門的認知差別、項目時間上的認知差別、文檔和數據語義的差距、不同數據集定義之間的差距等）的產生。數據債不僅會導致數據價值無法釋放，運營成本不斷增加，還會影響模型的上線和迭代效率。

正是基于對行業的深刻認識，為了幫助企業建立高效的數據閉環系統，實現數據價值最大化和模型效果最優化，星塵數據開發了滿足AI 2.0時代數據管理需求的全能工具——MorningStar。章磊表示：“MorningStar專注于發現數據價值，加速模型迭代，為AI 2.0打造以數據為中心的協作環境，消除數據債。”

據章磊介紹，MorningStar是目前市面上唯一一個專為AI 2.0時代企業打造的數據閉環產品，覆蓋AI算法從訓練到生產全鏈路中的數據管理、迭代、優化、挖掘等閉環鏈路。

據悉，在機器學習中，模型在整個流程中所占比重很少，算法工程師絕大部分時間都是花在思考業務、數據標注和數據分析上，以提高模型的泛化性。算法工程師需要耗費大量的時間和精力仔細研究數據，找出異常之處，了解數據規律，反復編排流程，比較版本差異，以提高模型的泛化性，達到最佳效果。如難以直觀看到數據分布，效率低；數據語義缺乏記錄，難復現；數據指標不完善，難挖掘；數據量巨大，檢索困難......

針對這些痛點，星塵數據自主研發了AI數據全生命周期管理功能，強化數據版本控制、快捷數據切片、可追溯數據血緣和安全管控。

通過數據全生命周期可視化管理，MorningStar確保數據運營統一管理和快速迭代；支持靈活數據切片、多模態、自定義數據檢索，挖掘數據價值，快速提取特殊場景數據；同時，集成主流難例數據發現策略，如主動學習等，為算法工程師提供數據特征分布、可視化和挖掘、模型指標計算等便捷功能。此外，MorningStar匯聚數據資產及使用數據，實現企業數據資產管理，使團隊協作更安全、數據迭代可追溯，打破企業內部的“數據孤島”，助力企業在 AI 成本投入、算法精度和數據應用能力提升等方面。

談及未來，章磊展望道，星塵數據將不僅用MorningStar助力AI 2.0發展，還將持續以數據為中心，推出新的功能和服務，發現數據價值，加速AI創新。