【行业观察】AI 数据标注行业

自己工作中经常涉及数据标注，也做过一些标注平台的工作。

今天看到艾瑞一篇关于 AI 数据标注的分析报告，特摘录备忘下。

是什么

AI 模型都是吃数据的，需要大量训练数据，多数情况下数据需要进行(人工)标注。 因此，产生了一个行业：AI 基础数据服务。

市场规模将达 100 亿

包含声图文三大类的数据标注。

2019 年市场规模达 30 亿，预计 2025 年达 100 亿，年化增长率 21.8%。

大背景是，2019 年 AI 核心产业规模突破 570 亿。

AI 研发投入

2019 年中国科技企业技术研发投入 4005 亿，其中 AI 方面 9.3%，达 370 亿。细分：

• 视觉，22.5%

• 语音，2.3%

• nlp，7.1%

其中，基础数据服务，2019 年 30 亿，细分：

• 图像，49.7%

• 语音，39.1%

• NLP，11.2%

看来大头还是图像和语音。

对此，作为 NLP 从业者，我的看法是：NLP 的数据标注往往无法外包，很多都是企业内部自己员工参与标注的，所以没统计进来。从某种意义上说，可能耗费的资金更多。

行业集中度低

CR5 占比为 26%。

品牌、中小、内部自建团队分别占比：30%， 47%，22.6%。

其中，

• 图像类数据：人像、OCR、自动驾驶等，特点是需求分散。百度数据众包占比大。

• 语音类数据：语音识别、语音合成等，需求集中但门槛高于图像（特别是语音合成），海天瑞声占比大。

• 自然语言类数据：报告未列。 个人认为此类需求最分散，自建团队做居多，外包不太好搞。

这个行业的集中度还是挺低的，因为基本上也是属于低端人力成本型的服务，所以不容易做成一家独大，也就不会有太高的溢价空间。

壁垒护城河

四步流程：

• 数据设计(个人觉得应该是业务理解，数据结构标准化设计吧)

• 数据采集

• 数据标注

• 质检

壁垒：无外乎提效提质

• 「数据标注+项目管理+质量把控」，三位一体

• 平台管理替代人员管理

• 数据设计环节：对算法训练需求的深刻理解

• 数据采集环节：(需求方提供的忽略) 人机协同，去重、聚类

• 数据标注环节：人机协同，AI 预标注，人工 check，迭代训练

• 质检环节：失误抖动预警

未来

• 进入竞争阶段，中小玩家离开"利润中心"而消失，品牌商则需要"居安思危"提高性价比。

• 技术驱动产生壁垒，到了卷质量效率的时候了。

小结

AI 数据标注行业，总体来看，已经从人力密集型的粗放模式，往需要技术驱动的精益化运作模式卷了， 想吃这碗饭也需要搞 AI 技术了。