行业之声 | 通往99.999%之路：消除汽车视觉AI的盲区

随着汽车行业竞相迈向更加自主和智能的未来，视觉AI在塑造这一变革中至关重要。尽管我们努力为这项新兴技术建立信任，但现实是，大多数AI项目都以失败告终——失败率高达80%——而数据问题往往是症结所在。

要利用视觉AI在这一领域成功竞争，就必须消除数据和AI模型周围的盲区。当我们清晰看到问题所在时，就能快速迭代改进，降低失败率，为人类驾驶员和道路共享者提供不断优化的体验。

AI在数据方面的挑战并非汽车行业独有。然而，汽车应用中AI失败的后果可能关乎生死。自动驾驶汽车和驾驶辅助功能必须达到五个九的准确性和可靠性，才能避免被视为失败——这意味着超越人类行为，在99.999%的时间内安全准确地运行。

例如，在设有停车标志的交叉路口事故中，70%是由于未能完全停车造成的。有驾驶经验的人可能都曾对未减速或直接溜过停车标志的司机挥舞过拳头。一辆仅在95%的停车标志前停下的自动驾驶汽车，虽然相比人类表现有显著提升，但仍构成明显危险。

要达到这一高标准并实现“五个九”，我们必须训练系统应对尽可能广泛的场景——包括那些我们无法预见的场景。此外，通过积累正确的视觉数据，并清晰掌握这些数据及其对AI模型的影响，我们就能在出现问题时迅速高效地找到解决方案，而不是盲目地将更多数据投入黑暗之中。

照亮视觉AI的数据问题

作为21世纪初研究AI的研究生，我曾花费整整一年时间，针对60到80张图像的数据集测试算法参数变化的影响。而如今，数据集规模巨大，可达数亿甚至数十亿个样本。

在这样的规模下，依赖人工处理所有数据已不可行。例如，我们早已过了仅靠人工数据标注的临界点，更不用说手动管理数据与算法的交互，或手动梳理数据以寻找目标匹配。结果是，当项目偏离方向时，我们往往在黑暗中摸索，无法确定原因。

以一家视觉AI创新企业遇到的情况为例：其车道跟随软件开始识别出“幻影坑洞”。模型并未改变，却无人知晓为何汽车突然转向以避开并不存在的障碍。为了找出问题根源，团队不得不获取视觉数据——全部300万张图像。

由于缺乏对情况的统一视图，这一盲区可能使项目戛然而止。该公司艰难地收集和处理海量数据，在多个忙碌团队间传递，随后反复审查和测试数据与模型，经过一系列复杂步骤，才精确定位导致问题的具体数据。

应对视觉AI的数据挑战

提高数据质量和调整模型参数是一个迭代且漫长的过程。更复杂的是，AI开发常常被隔离，由不同的团队、工具和流程分别管理数据和模型。再加上外部供应商，就形成了瓶颈，团队在黑暗中挣扎，难以查明每个新问题的原因。

最终，如果无法识别数据“罪魁祸首”，就很难或不可能改进模型以满足性能要求，导致新项目停滞在研发阶段，并使现有模型的维护（如上述“幻影坑洞”案例）变得复杂且昂贵。当团队能够洞察数据与模型的交互时，他们还可以利用算法生成的合成视觉数据来填补空白，进一步增强模型，使其代表真实世界场景。

推动视觉AI项目成功

采用集成式方法构建数据模型，使团队能够掌控开发过程，消除拖慢进度的障碍——以及导致项目停滞或失败的盲区。除了简单地查看数据，团队若能借助工具查询、分析、优化数据，并揭示其对模型性能的影响，就能快速迭代，同时改进数据和算法，将强大的AI模型投入生产。

在“幻影坑洞”案例中，该组织将团队、数据和模型置于同一平台。他们迅速检查异常，轻松识别出异常风暴将树枝吹落地面，投下阴影。由于训练数据中未包含这种风暴场景，模型将阴影误判为坑洞。

团队没有停滞，而是快速迭代模型解决了问题——这使他们得以继续达到“五个九”的标准，并维护客户对其自动驾驶产品的信心。要创建并维护达到“五个九”水平的AI系统，实现自动驾驶汽车和智能驾驶辅助功能的承诺，我们必须更快迭代，掌控驱动视觉AI的数据和算法。通过用现代技术取代碎片化、僵化的工具和笨拙的手动流程，解锁连接数据与模型所带来的洞察，我们就能开始降低失败率，进而让道路出行更安全、更便捷。

关于作者