区块链技术在数据标注

火牛小视频，来玩之前你需要知道的几件事

【本文由赞我(zaneds.com)独家冠名】

火牛最近在群里火爆起来，持币分红的概念十分吸引人。

是的，火牛小视频比较特殊的一点:每天中午12点，根据你所拥有的FB（火牛积分）来分红人民币，秒速提现支付宝。

具体的规则如图：

有朋友做了一个1000FB的分红收益表：

我也在一个星期前，小玩了一下，这里跟大家聊一聊。

团队的主力都是来自于蛙趣视频，现在这个视频已经凉凉了。

网上热度很少，去搜索一下评价，负面居多：

还有人在网上发帖求教如何去广告。

可见，蛙趣视频已经差不多到尽头了，团队想借着区块链的东风再起。

像这种，在互联网属于二流，三流的产品用区块链包装一下再上新的情况不是少数。

至少团队还是有做视频经验的，产品也是落地的，比什么都没有的空气要好很多。

创业不易，对于创业团队不需太苛刻。

现在区块链内容平台如雨后春笋，短视频作为最赚钱的内容之一，肯定不会放过区块链这层金衣。

但是仅仅是炒概念还是做实实在在的区块链项目，这里面的区别就大了。

这里需要大家注意：

火牛的FB只是平台积分，不是基于ETH的TOKEN，而且并没有上交易所的打算。

我需要和新入门的朋友说一下区别：

这里还有一点：

火牛作为区块链?短视频平台，其实其主要的商业逻辑跟区块链没什么关系，依然是走互联网免费模式，依靠规模来获取广告，而且火牛还在弱化区块链在整个产品中的比重。

火牛不需要倒入私钥，没有助记词，没有本地钱包，操作起来，跟抖音，西瓜视频没什么区别。

火牛也无意在区块链技术上有所创造，很多圈里人甚至根本不认为火牛属于区块链项目。

在这里，还有一种猜测，就是火牛去掉区块链那一套，其目的也许是为了降低门槛，方便圈外人参与。

毕竟，如果短视频只限制在币圈中，人数太少，是没有发展的。

而，圈外人对于TOKEN是不太容易接受的，人民币是更直观的刺激。

总体来看，目前，这还是一个传统互联网项目包装成区块链项目。

我们在上一个部分聊到了，火牛无意将自己打造成一个区块链产品，它的商业逻辑和抖音等没有区别，还是用互联网的免费模式。

有人提出，火牛就是一个资金盘。

现阶段确实如此，我们每天获得的分红，实际上来自于用户充值，而用户充值是为了获得分红。

所以，这的确是一个后来的人给前面的人分红的旁氏，一旦，新人进入的速度减慢，或者充值人数减少，分红下降是不可避免的。

除非，在这个盘子崩掉之前，有新的资金进入，比如广告，或者赞助商等，也许这个模式就能活下来。

也有人说火牛借鉴FT，用大量的分红吸引新玩家加入，短时间之内扩大规模，假设用户增长的速度够快，火牛再活个一年没有问题。

但是，火牛和FT两点不同：

所以，本质上，火牛和FT并不是一回事，只是借用了这种资金盘模式，随时有跑路的风险。

当然，当用户基数够大，自带流量的大V入驻，可能会带来打赏的玩家，就是那种大把的钱打赏主播，不求回报的死忠粉，也许会是一个比较大的盈利点。

所以，我们可以看到火牛目前的规划：

也有几个趋势的变化：

前期玩火牛的，羊毛党居多，注册成本很低，不需要实名，这对于火牛是不利的。

火牛如今似乎也慢慢把重点从把拉新放到鼓励充值上了，前期的玩家应该已经赚的盆满钵满了。

增加了观看视频的时间，实际上在提高刷FB的成本（时间也是成本），而主播加入，可能会使得火牛的粘性增强，短时间来看，发展还算不错，分红应该还会维持一段时间。

另外：

总之，火牛小薅怡情即可。

FB的意思：

FB就是副本的意思。

建筑施工图简介：

主要用来表示房屋的规划位置、外部造型、内部布置、内外装修、细部构造、固定设施及施工要求等。它包括施工图首页、总平面图、平面图、立面图、剖面图和详图。

大样图简介：

大样图是指针对某一特定区域进行特殊性放大标注，较详细的表示出来。某些形状特殊、开孔或连接较复杂的零件或节点,在整体图中不便表达清楚时,可移出另画大样图。严格得讲，“大样图”一词多用于施工现场，对于局部构件放样。建筑设计施工图中的局部放大图称为“详图”，如楼梯详图、卫生间详图、墙身详图等。

Ⅱ 数据标注实务—数据标注概述

数据标注实务—数据标注概述
数据标注行业的发展
1. 人工智能发展史
人工智能的概念在上世纪五六十年代被正式提出。1956年在达特茅斯会议上首度提出“人工智能（AI）”概念，被誉为“人工智能的起点”。人工智能的发展经历了起起伏伏，从理论到实践，从初期在现实应用环境中使用效果不佳，到通过技术的突破，实现存储能力、计算能力的大幅提升的过程。
2. 数据标注的起源
2007年，斯坦福大学教授李飞飞等人开始启动ImageNet项目。数据标注的概念：标注是对未处理的初级数据，包括语音、图片、文本、视频等进行加工处理，并转换为机器可识别信息的过程。
3. 人工智能算法与数据标注之间的关系
深度学习是人工智能目前的一个重要研究领域，其主要有四种方式：监督学习、无监督学习、半监督学习、强化学习，监督学习是当前人工智能的研究重点。
国内数据标注行业的发展现状
数据标注行业近几年发展迅猛，要求越来越高。
1. 市场端
预计2025年市场规模将突破100亿元人民币，对标注数据的需求量会更大，数据标注行业的发展前景是十分向好。目前数据标注需求量最大的五座城市分别是：北京、成都、杭州、上海、深圳。
2. 供应商端
分为三大类：平台数据供应商、中小数据供应商、需求方自建团队。从供应商的发展来看，行业内部处于“洗牌”阶段。
什么是数据标注
数据标注（Data Annotation）是对文本、图像、语音、视频等待标注数据进行归类、整理、编辑、纠错、标记和批注等加工操作，为待标注数据增加标签，生成满足机器学习训练要求的机器可读数据编余碰码的工作。标签（Label）标注任务（Annotation Task）数据标注员（data labeler）标注工具（annotation tool）
数据标注的工作特点
数据标注工作特点是由数据标注项目的特点决定的，而且需要根据效果不断进行需求调整。需具备以下能力：可迁移学习能力、重复标记能力、细心专注能力、总结提炼能力。
数据标注定义及分类
数据标注的基本流程包括4个环节：
1. 数据采集：首要环节，来源于提出标注需求的人工智能公司。常通过互联网获取公开的数据集散灶与专业数据集。
2. 数据清洗：重要的环节，对数据进行筛检，去重，并对数据集中存在的异常值与缺失值进行查缺补漏，同时平滑噪声数竖掘谈据，最大限度纠正数据的不一致行和不完整性。
3. 数据标注：由标注员负责标注数据，可采用分类标注、标框标注、区域标注、描点标注或其他标注方法进行。
4. 数据质检：关键环节，常见的控制质量方法:多人验证、埋题验证、标注人员状态验证、机器验证。
数据标注的分类
常根据待标数据类型进行分类：
1. 文本标注：主要是用于自然语言处理（Natural Language Processing，NLP）,如：客服行业、金融行业、医疗行业等。其标注方式有：分词标注、词性标注、情感标注、意图识别、实体标注等。
2. 音频标注：主要用于语音识别（Automatic Speech Recognition，ASR）和语音合成（Text-To-Speech，TTS），ASR技术主要是将声音转成文字，而TTS技术主要是将文字转化为声音。目前较常见的应用场景有智能客服、电话机器人、苹果手机的Siri等。音频标注方式有语音转写、语音情感标注等。
3. 图像标注：主要给计算机视觉相关的算法提供数据集，日常能了解到的场景如人脸识别、自动驾驶、车牌识别以及目前比较火的医疗影像的识别等都会用到图像标注。标注方式有矩形框标注、多边形拉框、打点、OCR识别、语义分割、图片审核分类等。
4. 视频标注：主要是通过对视频取帧后进行图片标注，然后再进行合成训练。例如：监控视频、自动驾驶、智慧交通等，其标注方法基本和图片标注一致。
数据标注的应用领域
尽量理解标注数据的应用场景，对于标注质量有重要意义。
1. 出行领域：常见的标注方式有：点标注、线标注、框标注、3D点云标注、场景语义分割、PoI（Point of Interest）标注等。
2. 安防领域：政府层面多。人脸标注、视频分割、语音采集、行人标注等是重要的数据标注应用。
3. 金融领域：文字翻译、语义分析、语义转录、图像标注等都会得到很广泛的应用。
4. 电子商务领域：能进一步深度挖掘数据集，通过互联网搜索指定内容的搜索完善、通过语句的情感判断、意图判断、纠错、以及语言的采集、标注等均为重要的数据应用。
5. 公共服务领域：检查内容是否符合要求的内容审核，对具有相同意义的语句进行归类的语义分析、意图识别、语音转录，以及视频审核、文本审核等都是数据标注常见的应用领域。
数据标注行业的运行模式
数据标注的特点
标注内容最小颗粒度、项目标注数量大、标注需求迭代快。
数据标注在人工智能中的地位
数据标注为人工智能公司提供了大量的带有标签的结构化数据集，供机器进行训练和学习，保证算法模型的有效性。而数据标注的准确性决定了人工智能的有效性，因此在目前阶段数据标注在人工智能中还占据着非常重要的角色，而且在未来一段时间依然非常重要。
数据标注运行模式可以参考PM项目管理。
数据标注行业未来发展趋势及挑战
具前瞻性的数据集产品和高度定制化数据服务将成为数据标注行业发展的主流。数据标注行业竞争加剧的发展趋势目前已进入快速增长期，微观角度来看：市场规模不断扩大，市场竞争的加剧，行业内部或将迎来“洗牌期”；宏观角度看：高质量、精细化、定制化的数据集越来越受到需求方的青睐。
政策的有力支持
工业和信息化部印发了《促进新一代人工智能产业发展三年行动计划（2018-2020年）》。2020年2月，“人工智能训练师”正式成为新职业隶属于软件和信息技术服务人员小类。
面临的问题和挑战
挑战1：标注需求难度加大、行业结合深入不够。
挑战2：半自动化标注工具及管理平台的研发不足，关注两个重点：如何提升标注效率和如何做好项目管理。
挑战3：数据标注质量的把控不过关目前已进入快速增长期。
挑战4：数据安全与隐私的保护不容乐观，目前产生了如数据治理、数据分割、数据安全传输和区块链等技术。
数据标注行业的前景与发展
数据标注行业前景广阔，但也面临诸多挑战。唯有不断提升自身技术实力、快速迭代自身业务以适应需求变化、并打造品牌与实力的双重口碑效应，才能在激烈的市场竞争中更具优势，建立高度排他性技术壁垒，从而保证自身在竞争中立于不败之地。

Ⅲ 区块链究竟是什么呢

区块链究竟是什么呢？本质上讲，区块链是一种分布式、去中心化的网络数据库系统， 这个系统会让数据的存储、更新、维护、操作变得不同。区块链有四项不可缺的核心技术， 分别是：分布式存储、共识机制、密码学原理、智能合约。

那么我们下面就讲一讲，与传统数据处理相比，区块链到底有什么不同，帮助大家了 解区块链是什么，让大家对区块链有一个总的认知。

一、区块链中的数据存储：块链式数据结构

在数据存储方面，区块链技术利用的是“块链式数据结构”来验证与存储数据的。

块链式结构是什么意思呢？铁链子大家都见过吧，一环套一环那种，那其实，每一环 我们可以看作是一个区块，很多环节扣在一起就形成了区块链。

这个所谓的“铁链”是如何存储数据的呢？简单来讲，区块链和普通存储数据的不同 之处在于：在区块链上，后一个区块里的数据是包含前一个区块里的数据的。

以读书为例：我们平时看书，看完第 1 页，接着读第 2 页、第 3 页......
那在区块链里面呢，如果给每个区块标注上页码，那么第 2 页的内容是包含第 1 页的 内容的，第 3 页的内容包含第 1 页和第 2 页的内容......第 10 页包含了前 9 页的内容， 就是这样一个层层嵌套的链条，这样一来，就可以追溯到最本源的数据了，这就是区块链 的可追溯性。

区块链这种“块链式数据结构”使之具备可追溯性，这就天然适用于许多领域，譬如： 食品溯源、药品溯源等等。这样一来，毒奶粉、假疫苗、伪劣食品事件出现的概率就会大 大降低，因为一旦出现问题，通过溯源可以清晰知道到底是哪个环节出现问题，问责追偿 将会更加清晰。

二、区块链中的数据更新：分布式节点共识算法

在数据更新方面，区块链技术是利用“分布式节点共识算法”来生成和更新数据。

每每生成新的区块（也就是更新数据的时候），都需要通过一种算法，获得全网 51% 以上节点的认可才能构成新的区块。说白了就是投票，超过半数人同意就可以生成，这就 使得区块链上的数据不容篡改。

为什么这么说呢？我们还是打一个比喻：我们把区块链比作一个账本，因为都是记录 数据的嘛，传统世界里，记账权力在于记账先生，账本属于记账先生一个人的。那么在区 块链里面，每一个人都拥有这个账本，想要更新账目呢，就要投票，半数人以上赞成才可 以去更新账目数据。

在这个过程中，我们会涉及到这么几个名词：分布式、节点、共识算法，这几个名词 其实非常好理解：

每个人都记账（也就是人人拥有账本，账本分散在每个人手里），就是所谓的“分布 式”；

大家讨论、投票产生的、一致赞同的记账办法，就是所谓的“共识算法”；

每一个参与记账的人，就是所谓的“节点”。

三、 区块链中的数据维护：密码学

在数据维护阶段，区块链的不同之处就在于：它利用密码学的方式来保证数据传输和 访问的安全。

区块链中所应用的密码学原理主要有：哈希算法、Merkle 哈希树、椭圆曲线算法、 Base58。这些原理，其实都是通过一系列复杂的运算以及换算，来保证区块链上数据安全。

四、 区块链中的数据操作：智能合约

智能合约，是由计算机程序定义并自动执行的承诺协议，说白了，就是用代码执行的 一套交易准则，类似于现在的信用卡自动还款功能，开启这个功能，你自己什么都不用管， 到期银行会自动扣除你欠的钱。

智能合约的突出优势就是，很大程度上避免了由信任产生的一系列问题。
我们很多人，都遇到过被借钱的事情：朋友手头紧了跟你借 2000 块钱，承诺下个月 发了工资还钱，到了下个月他又找别的借口不还，拖来托去这事儿就没谱了。本来没多少 钱，还是朋友，虽然你很郁闷，这事也就算了。

那么，有了智能合约以后，他就不能赖账了，因为在智能合约上，一旦触发合约中的 条款，代码就会自动执行，不管他愿不愿意，只要他发了工资、账户上有了钱，他就得还 你。

总结一下本节内容，区块链中有四项不可缺的核心技术，分别是：分布式存储、共识 机制、密码学原理、智能合约。

我们可以这样理解：分布式存储对应的是数据存储这个阶段，共识机制对应的是数据 的处理更新这个阶段，密码学对应的是数据安全，智能合约对应的是数据的操作问题。

Ⅳ 什么是数据标注|“人工智能+区块链”科普第5问

上一问讲到深度学习的时候，我们提到了一个非常关键的名词：数据标注。

要讲清楚什么是数据标注，就不得不提到“数据标注员”这个特殊的群体。“人工智能”这个名词看似高深莫测，但目前提供给机器学习的 大数据采集工作，仍基于密集劳动力的人工智能数据标注产业 。那些坐在电脑前被称为“人工智能背后的工人”的人们，每天工作的内容事实上和上个世纪80年代的很多流水线工人并没有什么本质上的不同。

这是事实，无需辩驳。

据不完全统计，全国“数据标注者”从业人员已达到10万人，兼职人群接近100万。

在人工智能灼热与闪亮的背后，数据标注产业，作为做基础的支撑，显得格外粗粝与拙朴。无怪乎有人说： 所谓的人工智能，就是有多少人工就有多少智能。

那么到底什么是数据标注呢？

要理解数据标注，得先理解 人工智能其实是部分替代人的认知功能 。回想一下人类是如何学习的，例如小时候我们认识苹果，妈妈拿着一个苹果到你面前告诉你，这是一个苹果。以后你再遇到苹果，你就知道：哦，这又大又红酸酸甜甜的东西叫做“苹果”。

类比机器学习，我们要教机器认识一个苹果，当然它是尝不出来味道的。我们只能给它一张苹果的图片，机器当然无法理解这是个什么鬼！我们得先有苹果的图片，上面标注着“苹果”两个字然后拿给机器去学习。 机器虽然处理速度快记性好，但是在联想、类比和举一反三方面智商几乎为零 。机器学习了A图片中的苹果，但是你再拿来一张机器从没有学习过得另一张苹果图片B，它就不一定认识了。因为我们说世界上没有两片一模一样的树叶，那么自然也没有两个一模一样的苹果了。那怎么办呢？我们通过给机器学习大量不同的苹果图片，让机器来 捕捉到这些相同标注中的特征 ，这时候再给机器一张陌生的苹果的图片，它可能就能认出来了。

假设我们有1000张标注着“苹果”的图片，那么我们可以拿900张作为 训练集 ，100张作为 测试集 。机器通过捕捉900张苹果图片中的特征学习得到一个模型，然后我们将剩下的100张机器没有见过的图片去给它识别，然后我们就能够测试出通过前面900张图片的学习，机器认识苹果的准确率有多高了。

总之， 数据标注就是人类借助计算机等工具，对各种类型的数据包括文本、图片、语音、视频等，完成分类、画框、注释、标记并打上说明其某种属性的标签的工作。

人工智能是大数据喂养出来的，而数据标注是形成有价值的海量数据中非常重要的一环。 如何高效的激励和组织更多人群来参与数据贡献将会是未来科技公司成功的关键。

下期内容： 什么是知识图谱？|“人工智能+区块链”科普第6问