因?yàn)?，任何?shù)據(jù)積累到一定程度，都會變成一個結(jié)果：數(shù)據(jù)量巨大。嗯，很多年前IT業(yè)內(nèi)曾經(jīng)批評我十六年前的老公司沒有大數(shù)據(jù)，有的只是數(shù)據(jù)量巨大，具體是哪家公司我就不多說了。

大數(shù)據(jù)到底是什么，這里不想多說，寫過的人太多，青潤這里只能說一句話：數(shù)據(jù)量大到一定程度的，并且經(jīng)過格式化規(guī)范化處理后可以用于分析、挖掘和各種計算使用的數(shù)據(jù)就是大數(shù)據(jù)。

那，結(jié)果呢，人工智能積累的數(shù)據(jù)需要幾個方面，我們用其中目前接觸相對較多的識別技術(shù)來講述一下會比較合適，了解青潤的人都知道，青潤再2005年第二次進(jìn)入中科院做的就是人臉識別和行為分析方面的研究和產(chǎn)品。

識別，就需要考慮到下面幾點(diǎn)：

1、樣本數(shù)據(jù)的采集；

2、樣本數(shù)據(jù)的標(biāo)定；

3、樣本數(shù)據(jù)的自我檢驗(yàn)；

4、基于樣本數(shù)據(jù)的模型構(gòu)建；

5、構(gòu)建樣本的特征碼庫；

識別過程是這樣的：

6、進(jìn)行目標(biāo)數(shù)據(jù)采集；

7、基于模型構(gòu)建獲取的特征提取算法進(jìn)行特征提?。?/p>

8、進(jìn)行目標(biāo)特征碼和樣本特征碼的對比，并根據(jù)對比的異或數(shù)據(jù)得到結(jié)果；

于是基本的過程結(jié)束了，下面是增值和演進(jìn)過程：

9、采集新的數(shù)據(jù)，并進(jìn)行同樣模型的特征提取，然后進(jìn)行特征對比，獲得識別結(jié)果。

10、 隨著時間的演變，每一個被檢驗(yàn)?zāi)繕?biāo)都會發(fā)生變化，人會從小孩變成成人然后變成老人，各種材料會衰變老化（比如一些重要設(shè)備的重要部件在發(fā)生重大事故時要檢測是不是原來的部件，是不是因?yàn)槔匣斐傻?，是不是被人?u>破損或者替換了的時候都需要這個），這時候，就產(chǎn)生了一種模型的演進(jìn)算法，也可以稱之為疲勞算法。

11、 而為了確保目標(biāo)的有效性，還有一種活體檢測技術(shù)也隨之而產(chǎn)生了，現(xiàn)在看到的各銀行和支付寶等做的讓你眨眨眼，扭扭頭，張張嘴的動作，就是為了活體檢測，但是，這其實(shí)是外行在做的活體檢測技術(shù)。2005年以前的人臉識別研究人員都知道，用眼球的反光點(diǎn)作為活體檢測是最有效的，而且是最不容易被破解的，或者說是無法破解的，而目前這些轉(zhuǎn)頭之類的動作只需要一張硅膠皮就可以被輕松破解掉。

隨著數(shù)據(jù)獲取的越來越多，原本的機(jī)器學(xué)習(xí)算法演進(jìn)成了深度學(xué)習(xí)算法的過程，于是上面的流程也得到了改變，改變后的結(jié)果基本上都是這樣的：

1、樣本數(shù)據(jù)的采集；

2、樣本數(shù)據(jù)的標(biāo)定，第二次循環(huán)到這里時將采用自動標(biāo)定，根據(jù)計算的驗(yàn)證結(jié)果改進(jìn)標(biāo)定算法；

3、樣本數(shù)據(jù)的自我檢驗(yàn)；

4、基于樣本數(shù)據(jù)的模型構(gòu)建；

5、構(gòu)建樣本的特征碼庫；

6、自動抓取獲得網(wǎng)絡(luò)上的各種數(shù)據(jù)源樣本，或者基于自己的推演得到新的數(shù)據(jù)樣本，并基于數(shù)據(jù)源的數(shù)據(jù)完成新的模型采集過程，然后不斷自己重復(fù)上面2-6的過程；

識別過程是這樣的：

7、進(jìn)行目標(biāo)數(shù)據(jù)采集；

8、基于模型構(gòu)建獲取的特征提取算法進(jìn)行特征提?。?/p>

9、進(jìn)行目標(biāo)特征碼和樣本特征碼的對比，并根據(jù)對比的異或數(shù)據(jù)得到結(jié)果；

于是基本的過程結(jié)束了，而很多新入行的所謂模式識別程序員不了解過去對目標(biāo)特征的驗(yàn)證技術(shù)，于是只能考慮看上去似乎更為簡單的活體驗(yàn)證手段或者他們自認(rèn)為更好的演進(jìn)手段，于是形成了下面的方式：

10、 采集新的數(shù)據(jù)，并進(jìn)行同樣模型的特征提取，然后進(jìn)行特征對比，獲得識別結(jié)果。

11、 而大部分公司其實(shí)不懂得需要設(shè)計疲勞算法，因?yàn)樗麄兊臄?shù)據(jù)太新，還沒有到需要考慮疲勞衰變問題的階段，這對于他們來說，都是未來模型需要被再次重建的必然，同樣較好的疲勞算法也是無法從opencv上直接獲得的，這也在一定程度上證明了，他們還沒有到大數(shù)據(jù)的層面，僅僅是單一層面的數(shù)據(jù)量巨大而已；

12、 而為了確保目標(biāo)的有效性，還有一種活體檢測技術(shù)也隨之而產(chǎn)生了，現(xiàn)在看到的各銀行和支付寶等做的讓你眨眨眼，扭扭頭，張張嘴的動作，就是為了活體檢測；

13、 11-12的過程采用了更多的手工標(biāo)定，因?yàn)樗麄儾恢廊绾卧O(shè)計出更好的機(jī)器標(biāo)定算法，或者說，最好的標(biāo)定算法他們無法從opencv上獲得，只能采用這種原始的手工標(biāo)定方式。

據(jù)青潤得到的信息，某個某年剛剛拿到十多億美元的某人工智能公司，某一段時間內(nèi)的人工標(biāo)定費(fèi)用是以千萬投入來計算的，具體是哪家公司就不方便明說了。

隨著深度學(xué)習(xí)的應(yīng)用，數(shù)據(jù)量越大，就越不是負(fù)擔(dān)，而是精度更高的算法模型的實(shí)現(xiàn)過程，因此，大數(shù)據(jù)已經(jīng)成為人工智能的必然導(dǎo)向結(jié)果，而且大數(shù)據(jù)的有效數(shù)據(jù)總量越大，就意味著結(jié)果的精度越高。

當(dāng)然，這種結(jié)果精度越高的有效數(shù)據(jù)總量，一定是有一定衡量方式的，絕不是什么數(shù)據(jù)拿過來都可以用的，這一點(diǎn)必須區(qū)分，很多公司為了盲目吹自己是大數(shù)據(jù)而不加區(qū)分的片面強(qiáng)調(diào)自己的數(shù)據(jù)量巨大，這是不對的，也是一種錯誤的導(dǎo)向方式，換句話說，除了蹭熱點(diǎn)，并沒有其他任何價值，這也是需要技術(shù)人員也包括投資機(jī)構(gòu)應(yīng)該看明白的地方。