自（zì）动驾驶——疫（yì）情危难中显（xiǎn）身手

2020年，一场突如（rú）其来的（de）新冠肺炎肆（sì）虐全球， 导致不同国（guó）家的人们被迫隔离或保持社交距离，人（rén）与人（rén）之（zhī）间（jiān）的接触变得风险极（jí）高。一时（shí）间，人们对于人（rén）工智能机器人、自动驾驶（shǐ）等可有（yǒu）效解决人与（yǔ）人接触的“无人（rén）”技术的出现与应用（yòng）翘（qiào）首以待。疫（yì）情期间，从无接触测温到在线办公，云会议、在线教（jiāo）育、在线发布会、云（yún）逛（guàng）街（jiē）、云（yún）旅游等，人工智能在这场战役中大（dà）显神威，以前没有的模式在不断被创造，人工智能对众多行业的“赋能”作用也开始显（xiǎn）现并迅速获得人们的青（qīng）睐。

特别（bié）是一些物资运输（shū）和物流方已经采用无人车（chē）送（sòng）货的方式，避免人与人直接接触的（de）问题；有些医院采（cǎi）用了无人消（xiāo）毒、清洁车；有些在医院为患（huàn）者进（jìn）行无（wú）人送餐等。诸如这些鲜活的事例在这次（cì）疫情中可以说是不胜枚（méi）举。

据（jù）统计（jì） ，我国这（zhè）次采用自动驾驶的（de）达到十几个地级市，北上广都涵（hán）盖在其（qí）中（zhōng），同时（shí）此次使用的投入量也达到（dào）数（shù）百个。不仅在国内（nèi），国外也是（shì）如（rú）此，法国的NAVYA与美（měi）国的诊所合作，也开始进行无人车配送药品或者检测样本。

“自动驾驶”在这（zhè）次疫情中实际的投入和使用，虽然是牛刀（dāo）小试，但足以让（ràng）人（rén）们对（duì）此（cǐ）有了全（quán）新的认识（shí）。由此我们看（kàn）到了自动驾驶领域应（yīng）用的（de）广泛前景和巨大（dà）市（shì）场潜（qián）力。自动驾（jià）驶一直是人类对（duì）未（wèi）来的幻想，而想要实现真正的无人驾驶仍然面临诸（zhū）多（duō）挑战。如何（hé）快速实现商业化，是现在很多投资自动驾（jià）驶的公司（sī）所倍加关注的问题（tí）。以前更多的聚焦是（shì）在无人车是一种交通工具，主（zhǔ）要用于解决运输人的问题；而现在，它更像是可以成为替代简单重复（fù）性（xìng）工（gōng）作的“助（zhù）理”。

为了（le）使汽（qì）车行业制造（zào）出最高效、最（zuì）安全的无人（rén）驾驶汽车，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（lǐng）先。事实上对于大多数的驾（jià）驶（shǐ）员来说，当下的驾驶体验仍然事与（yǔ）愿违。原本用于导（dǎo）航、通（tōng）信（xìn）和娱乐的免（miǎn）提系统应该尽可（kě）能减少干（gàn）扰，但（dàn）是（shì）目前差强人意（yì）的语音（yīn）识（shí）别（bié）功能每每让人沮丧，反而给驾驶（shǐ）员（yuán）带来了（le）更（gèng）多不必（bì）要的干扰。新的无人（rén）驾（jià）驶和驾驶辅（fǔ）助（zhù）功能虽（suī）然已经有所改善，可（kě）以提供一定帮助，但它们（men）还（hái）远远不能达（dá）到理想状态。唯有那些致力（lì）于（yú）提升（shēng）消（xiāo）费者体验的企业，才能最终在竞争（zhēng）中脱颖而出，无论是乘（chéng）客（kè）或驾驶员在车内的内（nèi）部体（tǐ）验（yàn），还是（shì）提升安全性和自主（zhǔ）性（xìng）的汽车外（wài）部体（tǐ）验。

目前疫情在国内（nèi）已经受到一（yī）定程度的控制（zhì），疫情终会消散，但谁也不敢预言（yán）疫情会不会（huì）卷（juàn）土重来？那么（me）未来的（de）驾驶又将（jiāng）会是什么（me）样子？何时（shí）我们才能够抵达未来？

未来自（zì）动（dòng）驾驶（shǐ）不仅（jǐn）仅（jǐn）是技术问题（tí）——问题和挑战

虽然 AI 技术正（zhèng）在迅速走向成熟，但 AI 的发展所涉及的不仅仅是技术（shù），还包括（kuò）监管、业务和产品挑战、社会认（rèn）可和新技术发展方面（miàn）的（de）挑战。就自动驾驶来说主要涵（hán）盖复杂程度、安全性、本（běn）地化和再（zài）训练几个方面。

首先以接送（sòng）孩子上下（xià）学为例。其中涉及（jí）的不仅仅是从 A 点到 B 点行驶（shǐ）的技（jì）术（shù），还（hái）有由谁来（lái）负责巴士的安全？政府、巴士制造商、AI 软（ruǎn）件工程师、还（hái）是（shì）由他们一起负责？一旦出了问题（tí）了，该怎么（me）办？在旅途中（zhōng）如何监控孩子的行（háng）为，如何处理（lǐ）从巴士到学校的责任（rèn）转移？这些恐怕都（dōu）涉（shè）及（jí）到需要（yào）立法、法规和（hé）保险（xiǎn）业（yè）的全面投入才能逐一获（huò）得（dé）很好、妥善的解（jiě）决。

其次，供应商必须（xū）弄清（qīng）楚如何收集和处（chù）理大量数据，才（cái）能支持成千上万辆同时交（jiāo）互的无人驾驶汽车。在投入（rù）生（shēng）产之前，还必须能够（gòu）证明产品足够安全（quán）可靠，并且足以（yǐ）抵御网络的恶意攻击。最（zuì）后，他（tā）们（men）必须开发（fā）一种能支持解决方（fāng）案扩展的业（yè）务模式。

千人千面，并非每个人（rén）都对无人（rén）驾驶汽车感兴趣。因（yīn）此，我（wǒ）们可（kě）能会（huì）遇（yù）到周围一些思想（xiǎng）和行为上偏（piān）保守的人的强烈（liè）抗拒乃至强行抵制。也（yě）就是说自动（dòng）驾驶必（bì）须（xū）首先（xiān）解决的是（shì）观念和意（yì）识，也就是信任两个（gè）字。事实（shí）上凡是每当出现（xiàn）一项重大的新技术，我们都会（huì）面（miàn）临这些（xiē）问题。某种程度（dù）上讲，我们如何管理无（wú）人驾（jià）驶和自动驾驶汽车的这（zhè）些问题（tí），将影响人们对这种急剧的社会变革的接受程度，以及（jí）从长远来看，如何（hé）评估它对于社会发展的进程到底是利还是弊。

随着5G+IOT+AI等新技术的到（dào）来，物理世界（jiè）的一切都会（huì）被映射到数字世界，无人驾驶（shǐ）领域也即将进入（rù）车驾智（zhì）能感知（zhī）时代，换句话说就是把道（dào）路也变成智能的。在道路部署很多的RSU（Road Side Unit），配上激光雷达的扫描（miáo）处理（lǐ），让（ràng）汽车和道路进行信息的即时传递，以此大幅提升无人车路径规划和（hé）决策的准确性。随着5G的商业化部署和其他新技术（shù）引入，势必也（yě）将给（gěi）无人驾驶汽车行业（yè）和各国政（zhèng）府所（suǒ）选择的技术路线带来更（gèng）多新的（de）机遇和（hé）挑战。

复杂程（chéng）度：与基（jī）本（běn）要素（sù）一样，企业（yè）可能没太关注（zhù）复杂程度如何影响其项目。通过寻找可靠的数（shù）据合作伙（huǒ）伴，他们的（de）专业知识（shí）可（kě）以为企业提（tí）供指导和见解（jiě）。例如，本（běn）体越大，项目（mù）就越复（fù）杂。一个（gè）经验丰富的数据合作伙伴将帮助您确定这（zhè）种（zhǒng）情（qíng）况（kuàng）如何导致您投入更多的时间和（hé）成本（běn），并找（zhǎo）到与您的整体业务（wù）目标契合的解决方案，这对于考虑（lǜ）图像和视（shì）频至关重要。

本地（dì）化：本（běn）地化在汽车行业中尤其重要（yào）。由于汽车（chē）企（qǐ）业在设（shè）计模型时需（xū）要考（kǎo）虑多个市场，因此，他（tā）们需要考（kǎo）虑不同的语言、文化和受众特征，从（cóng）而妥善定制（zhì）消费者体（tǐ）验。本地（dì）化项目非常适合（hé）作为您（nín）与数（shù）据合作伙伴的首个合作项目，他们可以利用资深的语言（yán）专家团队来开发风格指南和语音角色（正式，闲谈等（děng）），以及跨（kuà）语种进行优（yōu）化。

安全性：汽车行业收集的许多数据中都包含敏感数据（jù），需（xū）要企业额外采取（qǔ）安全措（cuò）施。理想的数据合作（zuò）伙（huǒ）伴（bàn）不（bú）仅（jǐn）会提供各种安全选（xuǎn）项，甚至（zhì）在（zài）最基本的级别上都具有严格的安全标准，以确保正确处理（lǐ）您的（de）数据。寻找（zhǎo）能提供（gòng）以（yǐ）下选项（xiàng）的数（shù）据合作伙伴；安全数据访问（对（duì） PII 和 PHI 至关重要）；安全众（zhòng）包和现场（chǎng）服（fú）务（wù）选项；私有（yǒu）云部署（shǔ）；内部（bù）部署；以及基于（yú） SAML 的单点登（dēng）录等。

再训（xùn）练：麦肯锡认为，1/3 的上线 AI 产（chǎn）品（pǐn）需要每月更新才能适应不断（duàn）变化的形势，例如模型漂移或用例转（zhuǎn）换。许多企业跳过了这一关键步骤，或者（zhě）完全将其（qí）搁置一旁。不过，如此一来，需要通过大（dà）规模部署且能够取得足够长期成功（gōng）的 AI 项目来证（zhèng）明 ROI 会越来越限制（zhì）更长期数（shù）据再训（xùn）练（liàn）的（de）风（fēng）险，却（què）得到（dào）了避免。通过再训练，您可（kě）以（yǐ）迭代模型，使模型变得更加准确和成功——您最好（hǎo）利用数据合作（zuò）伙伴来重新标记（jì）数据（jù），并（bìng）使用人工评（píng）估程（chéng）序（xù）来（lái）分（fèn）析低置信度预（yù）测（cè），从而提供支持。

由AI驱动的智能座舱

由 AI 驱动的智能（néng）座（zuò）舱已成（chéng）为许（xǔ）多企业品牌（pái）的代名词。汽车（chē）制造商正在与（yǔ）相（xiàng）关的生态（tài）系统提供商合（hé）作或寻（xún）求合作，为客户创造更多价（jià）值。由 AI 驱动的智（zhì）能座舱能带来诸多优势，包括改善驾驶员体（tǐ）验和安全性，以（yǐ）及提供直观的车内助手。这意味着可以（yǐ）在训练数据的帮助下，采用（yòng） AI 并实现可扩展的部署，改进（jìn）车内和车外体验。

随着全（quán）自动驾驶汽车领（lǐng）域的竞争日益激（jī）烈（liè），市场上（shàng）已经建立了一个（gè）标准，该（gāi）标准定义了六个自动驾（jià）驶级别，旨在（zài）让汽车制造商、供应（yīng）商和政策制定者可（kě）以讨论和比较（jiào）系统。这六个自动驾（jià）驶级别与不（bú）同（tóng）的消费者体（tǐ）验挂钩，2 级 （L2） 和（hé） 3 级 （L3） 之间发生了重（chóng）大变化。从 2 级过渡（dù）到（dào） 3 级，监控汽（qì）车的责任（rèn）从驾驶员转移给了系统。由于自（zì）动驾驶级别不（bú）同，聚（jù）焦消费者体验能帮（bāng）助您在车内和车外体验领域快速获得（dé）成功，使得（dé）这些体验极（jí）易（yì）受到成功可扩展性的影响。

车内体验（yàn）通（tōng）常（cháng）被描（miáo）述（shù）为由 AI 驱动的驾驶舱（cāng），涵盖了（le）整个用户体验——包括驾驶员和所有乘客（kè），旨在打造更智能（néng）、更（gèng）愉（yú）悦的（de）总（zǒng）体车内（nèi）体验。它包括将 AI 应用于智能驾驶辅助程（chéng）序（xù），以改（gǎi）善安全性或（huò）信息娱乐（lè）系统（tǒng），不仅可为驾驶员导（dǎo）航，同时为后排乘客（kè）推荐相（xiàng）关（guān）服务（wù）。

而（ér）谈到车外体（tǐ）验，尽管（guǎn）企业（yè）都在竭尽全力（lì）实现五级自（zì）动驾驶，由 AI 驱动的（de）智能汽车仍然需要更高水（shuǐ）平的计（jì）算机视觉和计算能力（lì）——雷达和摄像头（tóu）的传感器每秒传输大（dà）量数据，以处理诸如危险的（de）路况、道路上的物体和道路标志之类（lèi）的（de）状况（kuàng）。

得益于计算机视觉机器学习模型领域的（de）最新研究（jiū），由 AI 驱动的（de）无（wú）人驾驶机会主要（yào）聚焦如何利用（yòng） LiDAR、视频（pín）对象跟踪和传感器数（shù）据支持计（jì）算机视觉。这（zhè）些技术能（néng）帮（bāng）助汽车在从 A 点驶向 B 点的过程中拥（yōng）有“视觉”和“思考”的能（néng）力。帮（bāng）助训（xùn）练（liàn）模型执行任务的数据标注（zhù）服务包括（kuò）：

点云（yún）标记（LiDAR、雷达（dá））：通过（guò）识别（bié）和跟踪场景中的对（duì）象，了解（jiě）汽车前后和周围的场景。将点云数据和视频流合并（bìng）到一个要标注（zhù）的场景中。点云数据可帮助（zhù）您的模型（xíng）了解汽（qì）车周围的情况。

包括语义分（fèn）段的 2D 标记：帮助您的模型（xíng）更好地理（lǐ）解可见光摄（shè）像机的输入。寻找（zhǎo）一家数据合作伙伴，帮助您（nín）为（wéi）自（zì）定义本（běn）体创建可（kě）扩展的边（biān）界框（kuàng）或高度（dù）详（xiáng）细的（de）像素模板。

视频对象和事件跟踪：您的（de）模型必须了（le）解（jiě）对象如何随时间（jiān）移动，您的（de）数（shù）据合作伙（huǒ）伴应该（gāi）协助您标记时间事件。在视（shì）频（pín）和 LiDAR 场景的多个（gè）帧（zhēn）里（lǐ），在本体中的对象（如其他汽车和行人（rén））进（jìn）入和（hé）离开您感兴（xìng）趣的区（qū）域时，跟踪这些对（duì）象。不（bú）管对象出现和消失多少次，在（zài）整个视频中（zhōng）都要对对象的身份保持一致（zhì）的理解，这一点很（hěn）关键。

过去，为了有（yǒu）效训（xùn）练 AI 模型，企业不得不依靠多个供（gòng）应商和（hé）应用（yòng）来（lái）收集（jí）、准备和（hé）整合所有数（shù）据（jù）。但是现在不同了。无论您是在（zài）构建 1 级（jí）或 5 级自动驾（jià）驶（shǐ）解决方案，改善驾（jià）驶辅助功能，还（hái）是介于两（liǎng）者之间，可（kě）靠的收集和标注合作伙（huǒ）伴都（dōu）可以提供统一的（de）产品，在一个平台训练和（hé）测试您的 AI 系统。

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

澳鹏（péng）（Appen）的研究（jiū）和经验发现，要想让 AI 试验项目进入能带来切实利润的大规模部署阶段，企业应（yīng）该专注于一个关键（jiàn）目标（biāo），这是最简单的方法之一。大多数企业都通过构建对消（xiāo）费者体验（yàn）产生积极（jí）影（yǐng）响的 AI 取得了早期（qī）成功——无（wú）论是坐在车（chē）里的乘客（kè）或驾（jià）驶员，还是站（zhàn）在车外的（de）人，都能获得更高的安全（quán）性和（hé）自主（zhǔ）权（quán）。尽管我（wǒ）们（men）已经（jīng）在这一（yī）领域取得了长足（zú）的进（jìn）步，但未来几年无人驾驶汽车（chē）并（bìng）不会大范围普及（jí），我们也不能一蹴而就。人工智（zhì）能正在推动着（zhe）汽（qì）车行业的深刻变革，随着无人驾驶时代越来越现实化（huà），人工智能和汽（qì）车技术也（yě）越来越（yuè）紧密地交（jiāo）织在一起。目前我们已（yǐ）经拥有了（le）无人（rén）驾驶汽车所需的所有基本技术——甚（shèn）至我们也知（zhī）道该怎么做（zuò）。但这与大（dà）规模（mó）运行整（zhěng）个（gè）无人驾驶汽车系（xì）统截然不同。

对于大量在无人驾驶技术和（hé）互联汽车的（de）未（wèi）来进（jìn）行投资的公（gōng）司而言，通常必须（xū）借助多个供应商和应用，一同收集、标注、准备和聚合所有（yǒu）数据，以（yǐ）便有效地训练其（qí）AI模型。无人驾驶汽车相当复杂，属于由复（fù）杂的（de）机器（qì）学习算法驱动的（de）机器。随着汽车的前进，机器（qì）学（xué）习算法模（mó）型（xíng）会（huì）处理（lǐ）多种类型的数据，就（jiù）像驾驶员透过挡风玻璃观（guān）察或（huò）监视车（chē）内外的情（qíng）况一（yī）样。为了使汽车具备“看”、“听”、“理解”、“交谈”和“思考”能力（lì），需要以适（shì）当的方式收集视频、图像、音（yīn）频、文本、LiDAR和传感器数据，对这些数据进行结构化处理，并使其为（wéi）机器学习模型所理解（jiě）。汽车需要（yào）为大量的图像（xiàng）包含2D/3D数据赋予含义（yì），例（lì）如，识别（bié）树木或行人，识别动态（tài）的路况，听取命令，了解环境（jìng）的外部变化，将这些信息反馈（kuì）到（dào）汽车的（de）AI中，为决（jué）策（cè）提供信息（xī）支撑，并改善算法，从而（ér）实现五级（jí）自动驾驶（shǐ）。同样（yàng），智慧驾驶（shǐ）-智能驾（jià）舱：随（suí）着语音识别技术、LiDAR和能跟踪驾（jià）驶员情绪的（de）摄像机（jī）的发（fā）展（zhǎn），人机界面的下一（yī）步重（chóng）要举措就是融合这些技术，让汽车能够识别说话者的情绪和话（huà）语，从（cóng）而分辨出用户是高兴还（hái）是沮丧，并给出相应的（de）回（huí）应。通过此类车内舆情监控，了解（jiě）并预测（cè）行为，实现（xiàn）卓越（yuè）的人车互（hù）动。

对于无人（rén）驾驶汽车来说，就像在医疗（liáo）保（bǎo）健或其他风险管理至（zhì）关重要的场景（jǐng）一样，为了在瞬息万变的复杂（zá）真（zhēn）实的驾（jià）驶（shǐ）场景中（zhōng）发（fā）挥作用，训练数据需要由人员进行（háng）大规（guī）模（mó）标注和（hé）验证。机器学习系统（tǒng）需要大量（liàng）经过专门调（diào）整的训练数据，这些数（shù）据来自不同（tóng）的驾驶（shǐ）环（huán）境。要创建这种高质量的训练数据（jù），就必须从人工（gōng）标注（zhù）入（rù）手。例如，在训练计算机视觉解（jiě）决（jué）方案时，人们需要标注和（hé）标记由传感器收集的 LiDAR 数据，概（gài）述图像中包含树木（mù）、交通标（biāo）志等的所有像（xiàng）素。通过（guò）这（zhè）种方式，系统（tǒng）将学会识别这些对象，但它需要大量示例。幸运的是，现在市场上有一些工具（jù）包括澳鹏由机器学习提（tí）供（gòng）辅助的LiDAR、视频、事（shì）件和像素级（jí）标记、以及语音和自然语言，都可（kě）以帮助（zhù）我们加快完成这些任务，并（bìng）满足（zú）日益（yì）增长的（de）对（duì）结构化数据的（de）需求。通过（guò）这些工具与工作流互联，能帮助加（jiā）速开发无（wú）人驾驶能力，提高生（shēng）产（chǎn）力，成为市场赢（yíng）家。

随着无人（rén）驾驶汽车市场的竞（jìng）争愈演愈烈，大（dà）规模的高质量训练数（shù）据仍（réng）然（rán）是汽（qì）车行业正在努力解决的主要挑（tiāo）战。再（zài）加（jiā）上（shàng）汽车（chē）不仅需要遵守严格的国家和地区法规，而且还必须了解（jiě）数百种语言和方（fāng）言，这些都构（gòu）成了巨大的（de）挑（tiāo）战。显然（rán），我们无法规避这其中的偏（piān）见（jiàn）和挑战。例如一位母语（yǔ）为英语的男士（shì）驾驶一辆美国市场生产的汽车（chē），他的语音识别成（chéng）功率要比（bǐ）母语不是英语的女性驾（jià）驶员高。简而（ér）言之，主要依（yī）赖基（jī）于（yú）英语（yǔ）为母语的（de）男性语（yǔ）音所收集和标注数据的语音识别系统，在处理其他语音时很容易出问题。用于事（shì）故（gù）规避和自动驾驶（shǐ）的视觉数据同（tóng）样如此。如果训练（liàn）数（shù）据是白天天气晴（qíng）朗时收（shōu）集的数据，则（zé）该系（xì）统在雨天的（de）夜晚响应较差。

携手数据合作伙（huǒ）伴，将AI加（jiā）速（sù）从试验阶段推向生（shēng）产阶段

在（zài）真正采用（yòng）试验模型战略并提供 ROI 时，许多项目（mù）都（dōu）无法提（tí）供有（yǒu）意义的结果（guǒ）。这会导（dǎo）致企业高层退缩，无法给 CIO 留下深刻印（yìn）象（xiàng），并因（yīn）为无法实现（xiàn）价值而导致试验被终止。结果就是，管理人员将很（hěn）难证明项（xiàng）目的价值（zhí），并且通常（cháng）不愿意投资扩（kuò）大未来的试验（yàn）。为确保您的 AI 试（shì）验不只是看上去好看（kàn），直接投资训（xùn）练数据而不是（shì）耗费（fèi）80%的（de）时间准备训练数据显然（rán）事半功倍。

许多 AI 项目从（cóng）收集立（lì）即（jí）可用（yòng）的数（shù）据入手，然（rán）后尝（cháng）试了（le）解如何使用这些（xiē）数据。通过采用适当的方法成功将模型扩展到项目（mù）之外，您能够避免使用常规（guī）数据（从公共（gòng）资源和 Web 收（shōu）集（jí）的数据以及脏/暗数据），而（ér）将（jiāng）重点放在收集与切（qiē）实的目标（biāo）和用例相（xiàng）关（guān）的特（tè）定数据。为了获得成功，这（zhè）些（xiē）数据必须是可靠、干净且有（yǒu）足够标注（zhù）的数据，并且团队（duì）将致力于（yú）数据维护工作，将更（gèng）多专业的工（gōng）作外包出去。

为了启动世界一流（liú）的 AI 计划，您应该寻（xún）求数（shù）据（jù）合作伙伴（bàn）为（wéi）您（nín）提供可靠、高质量的训（xùn）练（liàn）数据，让您能够扩展至以下五个关键的阶段：

试验：在大型试验中为您提供可靠的（de）训练数（shù）据，以确保模型（xíng）可以快速实现扩展。同时还（hái）可以帮助您（nín）标注（zhù）置信度低（dī）的（de）数据或标注（zhù）边（biān）缘用（yòng）例（lì）场景的数据。

数（shù）据标注：小（xiǎo）规模（mó）试验之后，通常需要大量（liàng）训练数据（jù）。在这种（zhǒng）情况下可使（shǐ）用海量数据（jù）集训练模型（xíng），以确保模型（xíng）可以适用（yòng）于每个（gè）场景，没（méi）有（yǒu）偏见（jiàn），并且按照预期方式运行。此外（wài），这些数（shù）据必须准确无（wú）误，否则您的模型（xíng）不仅无法进行正确的训练（liàn），亟待解决的业务问题也（yě）被耽（dān）搁（gē），还可能导致利益相（xiàng）关（guān）者不同意扩展（zhǎn）部署规模。寻求数据（jù）标注和收集领域专家（jiā）的帮助。有助于企业大大减少在（zài）获取数据上所花费的时间（jiān），并（bìng）确保尽可能高的准确（què）性。

测试和验证：训练模型后，需要使用一组未用于训练模型的（de）数据进行验证，以调优模型。在验证阶段，企（qǐ）业（yè）可以更好地测试数据是否妥善标记了正确的意图，并确保（bǎo）模型不会由（yóu）于极端例子（zǐ）而（ér）出现任何偏差或失败。从而无偏见地（dì）预估最终调优模型的技能。

扩展部署至（zhì）生（shēng）产（chǎn）环境：如果模型在测试和验（yàn）证阶段都成功了，就该扩展部署了。企业可以（yǐ）进一步评（píng）估和（hé）验证（zhèng）置信度低的答案，但无论如何，企业（yè）都应（yīng）该自信地扩展试验。

再训练：顺利（lì）完成了扩展——但是（shì）在全（quán）面部署时您的（de）模型（xíng）可以准（zhǔn）确执行（háng）多（duō）长时（shí）间？定（dìng）期对模型进行再（zài）训练，这一点对于避免（miǎn）模（mó）型漂移和解（jiě）决用例转换至（zhì）关（guān）重要（yào）。

展望未来，澳鹏汇（huì）集了所有必要（yào）的要素（sù），帮助企业（yè）走向成（chéng）功

未（wèi）来的交通运输将以（yǐ）世界（jiè）一（yī）流的 AI、超快的连接（jiē）和对环境的（de）影（yǐng）响为基础。因此（cǐ），AI 的潜在使用场景范围非常（cháng）广泛。而且，尽管企业 AI 和机器学习（xí）用例变得越来越多（duō）样化（huà）（从供应链和（hé）制造到无人驾驶汽车（chē）和移动即服务（wù）），但以消费者体（tǐ）验为中心的（de）应用仍然是最普遍（biàn）也最成功的（de）大规模部（bù）署的应用。这是（shì）因为车内和车外体验都与明确的 KPI 直接关联（lián），并且很多汽车企业拥有大量未挖掘（jué）的数（shù）据（jù），他们可（kě）以利用这些数据来改善这些体验（yàn）。

因（yīn）此为了（le）确保为多模（mó）式和多媒体视觉和语音（yīn）识别系统能够（gòu）提供足够的无偏见训（xùn）练数据，就需要（yào）大量代表不同（tóng）地理、文化、性别（bié）和语言（yán）的（de）标（biāo）注人员。所有（yǒu）这些数据必（bì）须由这一领域的专（zhuān）家（jiā）进行标注和收集，并（bìng）用（yòng）于快速、高效（xiào）地大规模训练（liàn）和改进机器（qì）学习模型。澳鹏（péng）（Appen）在无人（rén）驾驶汽车领域是超（chāo）过（guò）15年以上的行业经（jīng）验专家，享有与世界前十（shí）大整车厂丰富的合作经验及深邃的（de）行（háng）业洞察能力，为无人（rén）驾驶及智能座舱等商业（yè）场（chǎng）景训练数（shù）据提供多传感器融合的LiDar点（diǎn）云数（shù）据标注，PLSS，计算机视觉机器学习辅助标注工具，以（yǐ）及（jí）车内数据采集，语言覆盖全（quán）球180多种语种。

“汽（qì）车（chē）和交通运输（shū）相关数据的收（shōu）集、管（guǎn）理和基（jī）于 AI 的开发（fā）将决定谁能（néng）成（chéng）为下一代移动出行领域的（de）赢家。要成（chéng）为赢家，企业（yè）需要战略愿（yuàn）景、商业头脑和技术实力（lì）。澳（ào）鹏（péng）（Appen）汇集了所有（yǒu）必（bì）要的要（yào）素，以帮助企业走向成功。” Evangelos Simoudis Synapse Partners 董事总（zǒng）经（jīng）理如是说。在新基建的春风之下，人（rén）工（gōng）智能作为新一轮产（chǎn）业变革的（de）核（hé）心驱（qū）动（dòng）力将释放历次科技革命和产业（yè）变革积蓄的巨大能量。任何实（shí）施（shī）AI 战略的（de）企业都应使用高（gāo）质（zhì）量的数据（jù）来（lái）最大程度（dù）地提（tí）高成（chéng）功（gōng）机会，与经验丰富的合作（zuò）伙伴合作并借助可靠的流程，对提高成功几率并（bìng）提供无（wú）缝的汽（qì）车和驾驶员体验而言至关（guān）重要。