自动驾（jià）驶（shǐ）——疫情危难中（zhōng）显身（shēn）手

2020年，一场突如其（qí）来的新冠肺炎肆虐全球， 导致不同国（guó）家的人们被（bèi）迫隔（gé）离（lí）或保持社（shè）交距（jù）离，人与人（rén）之间的（de）接触变得（dé）风险极高。一时间，人们对于人工智能机器人、自动驾驶（shǐ）等（děng）可有效解（jiě）决人与（yǔ）人接触的“无人”技术的出现与应用翘首以待。疫情（qíng）期间，从（cóng）无接（jiē）触测温到（dào）在线办公，云会议、在线教育、在（zài）线发布会、云逛街、云旅游等，人工智能在这（zhè）场战役中大显神威，以前没（méi）有的模式在不断（duàn）被（bèi）创造，人工智能对众多行业的“赋能”作（zuò）用也开始（shǐ）显现并迅速获得（dé）人们的青睐（lài）。

特别是一些物资运（yùn）输和物流方已经采用无人车送货的（de）方式，避（bì）免人与人直接接触的问题（tí）；有些医（yī）院采用了无人（rén）消（xiāo）毒（dú）、清洁车；有（yǒu）些在医（yī）院为患者进行（háng）无人送餐等。诸如这些鲜活的事例在这次疫情中可以说是不胜（shèng）枚举。

据（jù）统计 ，我国这次采用（yòng）自动（dòng）驾驶的达到十几个地级市，北上（shàng）广都（dōu）涵（hán）盖在其中，同时此次（cì）使用的投入量也达到数百个。不仅在国内，国外也（yě）是如此，法国的（de）NAVYA与美国的诊（zhěn）所合作，也开（kāi）始（shǐ）进行（háng）无人（rén）车配送药品或者检测样（yàng）本。

“自动驾（jià）驶”在这次疫情中（zhōng）实际的投入和（hé）使用，虽然是牛刀小试（shì），但足以让（ràng）人们对此有了全新的（de）认识。由此我们看到（dào）了自动驾驶领（lǐng）域应用的广（guǎng）泛前景和巨大市场潜力。自动驾驶一直是（shì）人类（lèi）对（duì）未来的幻想（xiǎng），而想要实现真正（zhèng）的无人驾驶仍（réng）然面临诸（zhū）多（duō）挑战。如何快（kuài）速实现商（shāng）业化，是现在（zài）很多（duō）投资（zī）自动驾驶的公（gōng）司所（suǒ）倍加关注的（de）问题（tí）。以（yǐ）前更多（duō）的聚焦是在无人车是一种交通工具，主要用（yòng）于解（jiě）决运输人的问（wèn）题；而现在，它更像是可（kě）以成为替（tì）代简单重复性工作的“助理”。

为（wéi）了使汽车（chē）行业制造出最高效、最安全（quán）的无人驾驶汽车，汽车投资者必须（xū）采（cǎi）取消费者至上的思维方式才能（néng）居于领先。事实上对于大多（duō）数的驾驶员来说（shuō），当下的（de）驾驶体验仍然事与（yǔ）愿违。原本用于导（dǎo）航、通（tōng）信和（hé）娱乐的免提系统应该尽可能减少干扰（rǎo），但是目前差强（qiáng）人意（yì）的语音识别功能每（měi）每让人沮丧（sàng），反而给驾驶员带来了更多不必（bì）要的干扰。新的无人驾驶和驾驶（shǐ）辅（fǔ）助功能虽然已经有所改（gǎi）善，可以提供一（yī）定（dìng）帮助，但它们还远远不（bú）能达到理想状（zhuàng）态。唯有那些致力（lì）于提升消（xiāo）费（fèi）者体验（yàn）的企业，才能最终（zhōng）在（zài）竞争中脱颖而出，无论是乘客或驾（jià）驶员（yuán）在车内（nèi）的（de）内部体（tǐ）验，还是提升（shēng）安全性和自主性的汽（qì）车外部体验。

目前疫情在国内（nèi）已经受到一定程度（dù）的（de）控制，疫情（qíng）终会消散，但谁（shuí）也不敢预言疫（yì）情会不会（huì）卷土重（chóng）来？那么未来的驾驶又将会是什（shí）么样（yàng）子？何时（shí）我们才能够抵达未来？

未来自动驾驶不（bú）仅仅是技术问题——问题和挑战（zhàn）

虽然 AI 技术正在（zài）迅速走向（xiàng）成熟，但 AI 的发展（zhǎn）所涉及（jí）的不仅仅是技术，还包（bāo）括（kuò）监管、业务和产品（pǐn）挑（tiāo）战、社会认（rèn）可和（hé）新技术发展方面的挑战。就自动驾驶来说主（zhǔ）要涵（hán）盖（gài）复杂程度（dù）、安全性、本地化和（hé）再（zài）训练几个（gè）方面。

首先以（yǐ）接（jiē）送孩子上下（xià）学为（wéi）例（lì）。其中涉及（jí）的不仅仅是从（cóng） A 点到 B 点行驶的技（jì）术，还有（yǒu）由（yóu）谁来负（fù）责巴（bā）士的安（ān）全（quán）？政府、巴（bā）士制造商、AI 软件（jiàn）工程师、还是由他们一起负责？一（yī）旦（dàn）出了问题了（le），该怎么办？在旅（lǚ）途中如何监控孩子的行为，如何处理从巴士到学校的（de）责任转移（yí）？这些恐怕都（dōu）涉及（jí）到（dào）需要立法、法规和保险业的全面投入（rù）才能逐一（yī）获得很好、妥善的（de）解决。

其次，供应商必须弄清楚如何收（shōu）集（jí）和处理大量数据，才能支（zhī）持成千上（shàng）万辆同时交互的无人（rén）驾驶汽车。在投（tóu）入生产之前（qián），还必须能够证明产（chǎn）品足够安全可靠，并且（qiě）足以抵御网络的恶意攻击（jī）。最后，他们必须开发一种能支持（chí）解（jiě）决方案扩展的业务（wù）模式。

千人千面，并非每（měi）个（gè）人都对无人驾驶汽（qì）车感兴趣。因（yīn）此，我们可能会遇到周（zhōu）围一些（xiē）思（sī）想和行为上（shàng）偏保守的（de）人（rén）的强烈抗拒乃至强行抵（dǐ）制。也就是说自动（dòng）驾驶必（bì）须首先解决（jué）的是观念和意识，也就是信任两个字。事实上（shàng）凡（fán）是每当出现一（yī）项重大的新技术，我们都会面（miàn）临这些（xiē）问题。某种程度（dù）上（shàng）讲，我们如何（hé）管（guǎn）理无人驾驶和自动驾驶汽车（chē）的这些问题（tí），将影响人们（men）对这种急剧的社会变（biàn）革的接受程度（dù），以及从长远来看，如何评估（gū）它对于社会发展的进程到（dào）底是利还是弊。

随着（zhe）5G+IOT+AI等新技术的到来（lái），物理世界的一切都会被映射到（dào）数字世界，无人驾（jià）驶领域也即将进入车（chē）驾智能感知时代（dài），换句话说就（jiù）是把道路（lù）也变成智能的。在道路部（bù）署（shǔ）很多（duō）的RSU（Road Side Unit），配上激光雷达（dá）的（de）扫描（miáo）处理，让（ràng）汽车和道路进行信息的即时（shí）传递，以此大幅提（tí）升无人（rén）车路（lù）径规划（huá）和决策（cè）的准确性。随着5G的商业化部署（shǔ）和其他新技（jì）术引入（rù），势必也将给无人驾驶（shǐ）汽车行业和各国政府所选择的（de）技术（shù）路线带来更多新的（de）机遇和挑（tiāo）战。

复杂程度：与（yǔ）基本要素一样，企业可能没太关注复杂程度如何影响其项目（mù）。通（tōng）过寻找可靠的数据（jù）合作伙伴，他们的专业知识（shí）可以（yǐ）为企业提供指导（dǎo）和见解。例如，本体（tǐ）越大，项（xiàng）目就越复杂。一个经验丰（fēng）富（fù）的数据合作伙伴将帮助您确定这（zhè）种情况如何导致您（nín）投入更多的时间和成本，并找到与您（nín）的整体业务目标契合的解决（jué）方案（àn），这对（duì）于考（kǎo）虑图像（xiàng）和视频至关重要。

本地化：本地化在汽（qì）车行业中（zhōng）尤（yóu）其重（chóng）要。由于汽车企（qǐ）业在（zài）设计模型（xíng）时需要考虑多个（gè）市场，因此，他们需（xū）要考虑（lǜ）不同（tóng）的语言、文化和（hé）受众特征，从（cóng）而（ér）妥（tuǒ）善定制（zhì）消费者（zhě）体验。本地化（huà）项（xiàng）目非常适合作为您与数据合（hé）作伙（huǒ）伴的首个（gè）合作项目（mù），他们（men）可（kě）以利用资深的语言（yán）专家团队（duì）来开发风格指南和语音角（jiǎo）色（正式，闲谈等），以及跨语种（zhǒng）进行（háng）优化。

安全性（xìng）：汽车行业收集的许多数据中都包含敏（mǐn）感数（shù）据，需要企业额外采取安全（quán）措施。理想的数（shù）据（jù）合作伙伴不仅会提供各种（zhǒng）安全选项，甚（shèn）至在最基本的（de）级别上（shàng）都（dōu）具有（yǒu）严格的安全（quán）标准，以确保正确处理您的数据。寻找能提供以下选项的数据（jù）合作伙伴（bàn）；安全（quán）数据访问（wèn）（对 PII 和 PHI 至关（guān）重要）；安全众（zhòng）包和（hé）现场服务（wù）选项；私有云部署（shǔ）；内部（bù）部署；以及基于（yú） SAML 的单点登录等。

再训练：麦（mài）肯锡认为（wéi），1/3 的上线 AI 产品需（xū）要（yào）每（měi）月更新才能适应不断变化的（de）形势，例如（rú）模型漂移或用例（lì）转换。许多企业跳过了（le）这一关键步（bù）骤，或者（zhě）完全将其（qí）搁（gē）置（zhì）一旁。不过（guò），如此一来，需（xū）要通过大规模部署（shǔ）且能够取得足够长期成功（gōng）的 AI 项目来证明 ROI 会越来越限制更长期数据（jù）再训练的风险，却得（dé）到了避免。通过再训练，您可以迭（dié）代模型，使模型变得更加（jiā）准确和成（chéng）功——您最好利（lì）用数据合作伙伴来（lái）重新标（biāo）记数据，并使（shǐ）用（yòng）人工评估程序来分析低（dī）置信（xìn）度预测（cè），从而提（tí）供支（zhī）持（chí）。

由AI驱动的智能座舱

由 AI 驱动的智能（néng）座舱已成为许多（duō）企（qǐ）业品牌的代名词。汽车制造商（shāng）正在与相关的生态系统（tǒng）提供商合作或寻（xún）求合（hé）作，为客户创造更（gèng）多（duō）价（jià）值。由 AI 驱动的（de）智能座舱能带来诸多优（yōu）势，包括改善（shàn）驾驶（shǐ）员体验和安全性（xìng），以及提供直观（guān）的车内助手。这意（yì）味着可（kě）以在训练数据的帮助下，采用 AI 并实现可扩展的部（bù）署，改进车内和车外（wài）体验。

随（suí）着全自动驾驶汽车（chē）领域的竞争日益激烈，市场上已经建立了一（yī）个标准，该标（biāo）准定义（yì）了六个自动驾驶级（jí）别，旨（zhǐ）在让（ràng）汽车制（zhì）造商、供应商和政（zhèng）策制定者（zhě）可以讨论和比较（jiào）系统。这六个自动驾（jià）驶级别（bié）与不同的消费者体验（yàn）挂钩，2 级 （L2） 和 3 级 （L3） 之（zhī）间发生（shēng）了重大变化。从（cóng） 2 级过渡到 3 级，监控汽车的（de）责（zé）任从（cóng）驾驶（shǐ）员转移给了系（xì）统。由（yóu）于自动驾驶级别（bié）不同，聚焦消费者（zhě）体验能帮（bāng）助（zhù）您在车内（nèi）和车外体验领域快速获（huò）得成功，使得（dé）这些（xiē）体验极易受到成功（gōng）可扩展性的影响。

车内体验通常被描述为由（yóu） AI 驱动的驾驶舱，涵盖了整个用（yòng）户体验——包括驾驶（shǐ）员和所（suǒ）有乘客（kè），旨在（zài）打造更智能（néng）、更愉悦的总体车内体（tǐ）验。它包括将 AI 应用（yòng）于智能驾驶辅助程序，以改善安全（quán）性或信息（xī）娱乐（lè）系统，不仅可（kě）为驾驶员导航，同时为后（hòu）排（pái）乘客推荐（jiàn）相关服务（wù）。

而谈到车外体验，尽（jìn）管企业都在竭尽全力实现五级自动驾驶（shǐ），由 AI 驱动的智能汽车（chē）仍然（rán）需要更高水平（píng）的计（jì）算机视（shì）觉和计算能力——雷（léi）达（dá）和摄像头的（de）传感器每秒（miǎo）传输大量数据，以（yǐ）处理诸如危（wēi）险（xiǎn）的路况、道路（lù）上的物体和道路（lù）标志（zhì）之类的状况。

得（dé）益于计算机视（shì）觉机器学习（xí）模型领（lǐng）域的最新研（yán）究，由 AI 驱动（dòng）的（de）无人驾驶机（jī）会主要（yào）聚焦如何利用 LiDAR、视（shì）频对象跟踪（zōng）和传（chuán）感器数据支持计算机（jī）视（shì）觉（jiào）。这些技术能（néng）帮助汽（qì）车在从 A 点驶向（xiàng） B 点（diǎn）的（de）过程中拥有“视觉（jiào）”和“思考”的能力。帮助训练模型执行任务的数据标注服务包括：

点云标记（LiDAR、雷（léi）达）：通过（guò）识别和跟踪场景中的对象，了（le）解（jiě）汽车前（qián）后（hòu）和（hé）周围的场（chǎng）景。将点（diǎn）云数据和视频流合并到一个要标注的（de）场景中。点云数据可（kě）帮助您（nín）的模（mó）型（xíng）了（le）解（jiě）汽车周围（wéi）的（de）情况。

包（bāo）括语义分段（duàn）的 2D 标记（jì）：帮助您的模型更好地理（lǐ）解可见光摄（shè）像机的输入。寻找一家数据合作伙伴，帮助您为自定义本体创建可（kě）扩展的边界框或高度（dù）详细的像素模（mó）板。

视（shì）频对象和事件（jiàn）跟踪：您的（de）模型必须了解对象如何随时间移动（dòng），您的数据合作伙（huǒ）伴（bàn）应（yīng）该协助您标记（jì）时（shí）间事件。在视频和 LiDAR 场（chǎng）景的多个帧（zhēn）里，在本体（tǐ）中的对象（如其他汽车和行人）进入和离开您感兴趣的（de）区域（yù）时，跟踪这些对象。不管（guǎn）对（duì）象出现和消（xiāo）失（shī）多少次，在整个（gè）视频（pín）中都要对对（duì）象的身份保（bǎo）持一致的（de）理解，这一点很关键（jiàn）。

过去，为了有效（xiào）训练 AI 模（mó）型，企（qǐ）业不（bú）得（dé）不依靠多（duō）个供应商和应用来收集、准备和整合（hé）所有数（shù）据。但是现在不同（tóng）了。无论（lùn）您（nín）是（shì）在（zài）构建 1 级或 5 级（jí）自动驾驶解决（jué）方案，改善驾驶辅助（zhù）功能，还是（shì）介于两者（zhě）之间，可靠的收集和标注合作伙（huǒ）伴都可以提供统一的产品（pǐn），在一个（gè）平台训练和（hé）测试（shì）您的 AI 系统。

抵达车驾智能时代（dài）的关键——背（bèi）后的高质（zhì）量数据

澳鹏（Appen）的研究和经验（yàn）发现，要想让 AI 试验项目进入能带来切实利润的大规模（mó）部署阶段，企（qǐ）业应该专注（zhù）于一个关（guān）键目标，这是最（zuì）简单的方法之一。大多数企（qǐ）业都通过构建对消费者体验产生积极影响（xiǎng）的（de） AI 取得了早期（qī）成功——无论是坐在车（chē）里的乘客或（huò）驾驶员，还是站在车外的人，都能（néng）获得更（gèng）高的（de）安（ān）全性和（hé）自主权。尽管我们（men）已经在这一领域取得了长足的进步（bù），但未来几年（nián）无人驾驶汽车并（bìng）不（bú）会大范围普及，我（wǒ）们（men）也不能一蹴而就。人工（gōng）智能正在推动着（zhe）汽车行业的深刻变革，随着无人驾驶时代越来越现实化，人工（gōng）智能和汽车技术也越（yuè）来（lái）越紧密地交织在（zài）一起。目（mù）前我们已经（jīng）拥（yōng）有了（le）无人驾驶汽车所（suǒ）需的所有基本技术——甚至我们也（yě）知（zhī）道该怎么做。但这与大规模运行整个无人（rén）驾驶（shǐ）汽车系统（tǒng）截（jié）然不同。

对于大量在（zài）无人驾（jià）驶技术（shù）和互联汽车的未来（lái）进行投（tóu）资的公（gōng）司而（ér）言，通常必须借助多（duō）个（gè）供应商和应（yīng）用，一同收集、标（biāo）注（zhù）、准备和聚合所有数据（jù），以便有效地训练其AI模型。无人驾（jià）驶汽车（chē）相当复杂，属于由复杂的机器学（xué）习算法驱动的（de）机（jī）器。随着汽车的前（qián）进（jìn），机器学习（xí）算法（fǎ）模型会（huì）处（chù）理多种类型（xíng）的数（shù）据，就（jiù）像驾驶员透过（guò）挡风玻璃（lí）观察或监视车内外（wài）的情况一样。为（wéi）了使汽车具备（bèi）“看”、“听（tīng）”、“理（lǐ）解”、“交谈”和（hé）“思考（kǎo）”能（néng）力，需要以（yǐ）适当的方式收集（jí）视频、图像、音频、文本、LiDAR和（hé）传感器（qì）数据，对这些（xiē）数据进行结构化处理（lǐ），并（bìng）使（shǐ）其（qí）为机器学习（xí）模型所理解。汽车需要为大（dà）量的图像包含2D/3D数据赋予含义，例（lì）如（rú），识别树木（mù）或行人，识别动态的路（lù）况，听（tīng）取命令，了解（jiě）环境的外部变（biàn）化，将这些（xiē）信息反馈（kuì）到汽车（chē）的AI中（zhōng），为决策提供信息支撑，并改（gǎi）善算（suàn）法，从而实（shí）现（xiàn）五级自动驾驶。同样，智慧驾驶（shǐ）-智能驾舱：随着语音识别技术、LiDAR和能跟踪驾（jià）驶员情绪的（de）摄像（xiàng）机的发展，人机界（jiè）面的下（xià）一（yī）步重（chóng）要举措（cuò）就（jiù）是融合这（zhè）些技术，让汽车能（néng）够识别说话者的情绪（xù）和话语（yǔ），从而分辨出用户是高兴还是沮（jǔ）丧，并给出相（xiàng）应的回应。通（tōng）过此类车内舆情（qíng）监控，了解（jiě）并预测（cè）行为，实（shí）现卓（zhuó）越的人车互动。

对（duì）于无人驾驶汽车来说，就像（xiàng）在医疗保健或其（qí）他风险管理至关重要（yào）的（de）场景一（yī）样，为了在瞬息万变的复杂真实的（de）驾驶场景中发挥作用，训练数（shù）据需要由人员（yuán）进行大规模标注和（hé）验证。机器学习系统需要（yào）大量经过专门（mén）调（diào）整的训练数据，这（zhè）些数据（jù）来自不同的驾驶环境。要（yào）创建（jiàn）这种（zhǒng）高质量的训练（liàn）数据（jù），就（jiù）必须（xū）从人工标注入手。例（lì）如，在（zài）训练计算机视（shì）觉解决方案时，人们需要（yào）标（biāo）注和标记由传（chuán）感器（qì）收（shōu）集的 LiDAR 数据（jù），概（gài）述图像中包含树木、交通标（biāo）志等（děng）的所有像素。通（tōng）过这种方式，系统将学会（huì）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包括（kuò）澳鹏由机器学习提供辅助的LiDAR、视（shì）频、事件（jiàn）和（hé）像（xiàng）素级（jí）标记、以及语音（yīn）和（hé）自（zì）然语言，都可以帮助我们加快完成这些任务（wù），并（bìng）满足日益增长的（de）对结构化数据的需求（qiú）。通过这（zhè）些工具（jù）与工作流互联，能帮助加（jiā）速开发无（wú）人驾驶能（néng）力，提（tí）高生产力（lì），成为市场赢家。

随着无人驾驶汽车市场的竞（jìng）争愈演愈烈，大规模的（de）高质量训练数据仍然是汽车行（háng）业正在努（nǔ）力解决的（de）主（zhǔ）要挑（tiāo）战。再加上汽车不仅需要遵守严格的国（guó）家和地区法规，而且还必须了解数百种语（yǔ）言和方言（yán），这些都构成（chéng）了巨（jù）大的挑战。显然，我们（men）无法规避这其中的偏见和挑战。例如一位（wèi）母语为英语的男士（shì）驾驶一（yī）辆（liàng）美国市场（chǎng）生产的汽车，他的语音识别成功（gōng）率（lǜ）要比母语不是英语的女性驾驶员高。简（jiǎn）而言之，主要依赖（lài）基于英语为母语（yǔ）的男性语（yǔ）音所（suǒ）收集和标注数据（jù）的（de）语（yǔ）音识别系统，在处理（lǐ）其他语音时很容（róng）易（yì）出问题（tí）。用于事故规避和自（zì）动驾驶的（de）视觉数据同样如此。如果训（xùn）练数据是白（bái）天天（tiān）气晴（qíng）朗时收集的数据，则该系统在雨天的夜晚响应较差。

携手数据合作伙伴（bàn），将AI加速从试验阶段推向生产阶段

在真正采用试验（yàn）模型（xíng）战略并提（tí）供 ROI 时，许多项目都无法提供（gòng）有意义的结（jié）果。这（zhè）会导致企业高层退缩，无法给 CIO 留下深刻（kè）印象，并因为无法实现价值而导致（zhì）试（shì）验（yàn）被终止。结（jié）果就是（shì），管（guǎn）理人员（yuán）将很难证明项目的价值，并且通（tōng）常不愿意投资扩大未来的试验。为确保（bǎo）您的 AI 试验不（bú）只是看上去好看（kàn），直接投资训练数（shù）据而不是（shì）耗（hào）费80%的时间准（zhǔn）备训练数据显然（rán）事半功倍（bèi）。

许多 AI 项目从收集立即可用（yòng）的数（shù）据入手，然（rán）后尝试了解如何（hé）使用这（zhè）些（xiē）数据。通（tōng）过采用适当的方法（fǎ）成功将模型扩（kuò）展（zhǎn）到项目之外，您能够避免使用常规数据（从公共（gòng）资源和 Web 收集的数据以及脏/暗（àn）数据），而（ér）将重点放在收（shōu）集与切实的目标和用例（lì）相关的特定数（shù）据。为了获得成功，这些数（shù）据必（bì）须是可（kě）靠、干净且（qiě）有足够（gòu）标注（zhù）的数（shù）据，并且（qiě）团队（duì）将致力于数据维护工作，将更多专（zhuān）业的（de）工作外包出去。

为了启动世界一流的 AI 计划，您应该（gāi）寻求数据合作（zuò）伙伴为（wéi）您提（tí）供可（kě）靠、高质量的训练数（shù）据，让您能够扩展至以下五个关（guān）键的（de）阶段：

试验：在大型试验中为您提供可靠的训练数据，以确保模（mó）型可以快速实现扩展（zhǎn）。同时还可以帮助（zhù）您标（biāo）注（zhù）置信度低的数据或标注边缘用例场景的数据。

数据标注：小规模试验之后（hòu），通常需要（yào）大（dà）量训练数据。在这种情况（kuàng）下可使用海量数据集训练模型，以（yǐ）确保（bǎo）模型可以适用（yòng）于每个场景，没有偏见（jiàn），并且按照预（yù）期（qī）方式运（yùn）行。此外，这些数据必须准确无误，否（fǒu）则您的模（mó）型不（bú）仅无（wú）法进行正确（què）的训练（liàn），亟待（dài）解决的业务问题也被耽搁，还（hái）可能导致利益相关（guān）者（zhě）不同意扩展部署（shǔ）规模。寻求数据标注和收（shōu）集领域专家（jiā）的帮助。有助于（yú）企业大大（dà）减少（shǎo）在获取数据上所花费（fèi）的时（shí）间，并确保尽可能高的准确性（xìng）。

测试和验证：训练（liàn）模型后，需要使用一组未（wèi）用于训练模型的数据（jù）进行验证，以调优模型（xíng）。在验证（zhèng）阶段，企业可（kě）以更好地测试数（shù）据是否妥善（shàn）标（biāo）记（jì）了正（zhèng）确的意图，并确保模型不会（huì）由于（yú）极端例子而出现任（rèn）何偏差（chà）或失败。从而无偏（piān）见地预估最（zuì）终调优模型（xíng）的技能（néng）。

扩展部署至（zhì）生（shēng）产环境（jìng）：如果（guǒ）模（mó）型在测试和（hé）验证（zhèng）阶段都成功了，就该扩展部署了。企业可以进一步评（píng）估和验证（zhèng）置信度（dù）低的答案，但无（wú）论如何，企业都（dōu）应该自信（xìn）地扩展（zhǎn）试验。

再训练（liàn）：顺利完成（chéng）了扩展（zhǎn）——但是在全（quán）面部署时您（nín）的（de）模型（xíng）可以准确执行多长时间（jiān）？定期对模型进行再训练，这一点对（duì）于避免模（mó）型漂移（yí）和解决用（yòng）例转换至（zhì）关重要。

展望未来，澳鹏汇集了所有必要的要素，帮助企业走（zǒu）向成功

未来的（de）交（jiāo）通运输（shū）将以（yǐ）世界一流的 AI、超快（kuài）的连（lián）接和对环境的影响为基础（chǔ）。因（yīn）此（cǐ），AI 的潜（qián）在使用场景范围非常广泛。而（ér）且，尽管企业 AI 和（hé）机器（qì）学习（xí）用例变得越来越多样化（从供应链和制（zhì）造到无（wú）人驾驶汽（qì）车（chē）和移动即（jí）服务（wù）），但以消费者体（tǐ）验（yàn）为中（zhōng）心的应用仍然是最普遍也最成功的大规（guī）模部署的应用。这是因为（wéi）车（chē）内和车（chē）外体验都与明确的 KPI 直（zhí）接关联（lián），并且（qiě）很（hěn）多（duō）汽车企业拥有大量未挖掘的数据，他们可以利（lì）用（yòng）这些数据来（lái）改善这些体验。

因此为了确保为多模式和多媒（méi）体视觉和语音识（shí）别系（xì）统能（néng）够（gòu）提供（gòng）足（zú）够的（de）无偏见训练数据（jù），就需要大量代表不（bú）同地理、文化、性别和语言的标（biāo）注人员。所有这些数据必（bì）须由这一领域的专家进行标（biāo）注和收集，并用于快（kuài）速、高效地大规模训练和改（gǎi）进机器学习模型（xíng）。澳鹏（Appen）在无人驾驶汽车领域是超过（guò）15年以上的行业经验专（zhuān）家，享有与世（shì）界前十大整车（chē）厂丰富的（de）合作经验及深邃的行业洞察能力，为无人驾驶及智（zhì）能（néng）座（zuò）舱等商业场景训练数（shù）据提供多传感器融（róng）合的（de）LiDar点云（yún）数据标注（zhù），PLSS，计算机视觉（jiào）机器（qì）学（xué）习辅助标（biāo）注工具，以及车内数据采集，语言覆盖全（quán）球180多种语种。

“汽车和交通（tōng）运输相关数据的收集、管（guǎn）理和基于（yú） AI 的开发将决定谁（shuí）能成（chéng）为下一代移动出行领域的赢家。要成（chéng）为赢家，企（qǐ）业（yè）需要战略愿（yuàn）景、商业头脑和（hé）技术（shù）实力。澳鹏（Appen）汇集（jí）了所有必（bì）要的要素（sù），以帮（bāng）助企业走向成（chéng）功。” Evangelos Simoudis Synapse Partners 董事总经（jīng）理如是说。在新基建的春风之下，人工智能作（zuò）为新（xīn）一轮产业变革（gé）的核心驱动（dòng）力将释放历次科技革命和产业变革积蓄（xù）的巨大能量。任何（hé）实施AI 战略的企业都应使用高质量的数据来最（zuì）大（dà）程度地提高（gāo）成功机（jī）会，与经验丰富的合作伙伴（bàn）合（hé）作并借助可靠的（de）流程（chéng），对提（tí）高成功（gōng）几（jǐ）率并提供无（wú）缝的汽车和驾驶员体验而（ér）言至关（guān）重要。