博物馆|在杭州，我们逛了一家“数据博物馆”

鱼羊博雯发自凹非寺报道 | 公众号 QbitAI你可能打卡过很多博物馆，但我敢说“数据博物馆”，肯定不在此列。上百个开源数据集是展品，其中不乏来自电商、文娱等互联网领域的真实场景数据，更有来自工业、医疗等领域的产业稀缺数据。还吸引了中国科学院国家天文台台长常进院士、创新工场首席科学家周明博士、阿里巴巴集团副总裁贾扬清、阿里巴巴青橙奖获得者王权等学者大咖纷纷前往围观。不仅如此，“博物馆”还组织了一系列数据青年团聚活动，邀请青橙奖获得者、阿里星学长、技术KOL，与青年开发者畅聊《如何选择第一个工作》《AI的未来发展趋势与行业前景》等热门话题。你或许想不到，这家“博物馆”是由阿里云天池在今年的杭州云栖发起。
文章插图
没错，就是那个“奖金丰厚”、“直通大厂”、“还能结♂识AI大神”，人称“中国数据类赛事第一品牌”的天池平台。不过现在，你可不能仅仅把它看作一个刷简历的平台了。阿里云天池平台开起了“博物馆”，这究竟是怎么一回事？什么是“数据博物馆”？答案还得从现场获取。
文章插图
最吸引眼球的“展品”，当数行业大规模开源数据集。不仅数量多达上百个，还覆盖零售、文娱、工业、医疗、自然科学等数十个行业。既有来自真实业务场景的商品数据，也不乏跟产业界、学术界深入合作获得的宝贵科研数据。更厉害的是，基于这些数据集产出的学术论文，已经有超过700篇。
文章插图
具体详情，我们不妨选取其中几个“经典款”，一起看个究竟。比如新零售领域数据集，就有阿里淘系技术开源的家居行业数据集3D-FRONT，包含超过20,000张高清室内场景专业设计渲染图，可用于场景布局预测与生成等研究课题。该数据集填补了业内大规模高质量3D场景布局标准数据集的空白，也因此获得了中国计算机图形学大会颁发的首个「图形开源数据集奖」。
文章插图
再比如文娱数据集方面，服务于产业的视频数据集同样不少。曾应用于“MEDIA AI阿里巴巴文娱算法挑战赛”的Youku-TED数据集，共包含近3,000小时的55,000段视频，标注了含53类事件类别的近30万段视频事件。作为一个大规模的视频时序事件检测数据集，正是展开智能生产、视频智能剪辑、生产安全监控、视频内容检索等热门应用研究的基础。
文章插图
更多方面，还有用于检测钢铁、布匹、酒瓶、瓷砖瑕疵的工业领域数据集，涉及遥感、气候、天文等领域的自然科学类数据集，以及医疗、交通、安全、数字城市等领域的数据集，都在开源列表之中。值得一提的是，天池平台还广泛和外部机构合作，开放多个行业/学术benchmark。像是由阿里达摩院、天池平台，以及浙江大学联合推出的MUGE榜单，就是一个用于多模态理解和生成评估的基准，这也是国内首个多模态方向的基准数据集。
文章插图
如此大批量的开源数据集，确实不负“数据博物馆”之名。那么这些精品数据集又是从何而来？阿里云开发者业务总监王一婷介绍，一方面，他们会与业务团队共建自有数据集；另一方面，天池主动与工业、学术界合作，产出大量高质量脱敏数据集；此外，平台还支持用户共享数据集，共同推动科研数据集开源生态的建设。而这正是阿里云天池今年重磅升级之后，启动的大规模数据开源计划。天池大动作为哪般？又是来自真实行业大批量数据集的开源，又是建立行业benchmark，阿里云天池到底图什么？众所周知，对于数据挖掘/机器学习这些学科，高质量数据集可以说是必不可少的生产资料。但以高校学生为代表的青年AI开发者，很难接触到大量真实有效的数据，因此也就很难快速提升自身技术实践能力。而与真实业务场景的脱节，带来的问题还不止于此。比如，学界和业界在研究目标上往往不同。学界可能更加关注一些确定条件下的确定指标，而业界则会从成本和收益的角度去思考问题。在云栖大会期间举办的天池数据青年团聚上，达摩院算法专家罗浩博士就谈到：翻译模型准确率指标从70%提升到80%，在学界是足以发表论文的优秀成果，但对于产业界，就算一百句话都只翻错了一两个单词，还是需要人工全部重译，利润提升不大。