Data-Centric AI在内容风控场景的应用
Data-Centric AI核心思想
Data-Centric AI强调通过优化数据而非仅模型来提升AI系统性能，其公式为AI System = Code + Data，与传统的Model-Centric AI（侧重模型优化）形成对比。
内容安全场景数据特点
- 数据分布极不均衡：有害数据占比极低（0.1%、0.01%等），需进行极端细粒度与难例挖掘
- 易误判相似类型：相似案例极多，需精准区分
- 小目标识别难：有害区域像素占比极小（如<0.1%）
- 开放域识别挑战：类别多样且频繁变化
- 域泛化与迁移：数据来自海量互联网，需解决模型泛化问题
- 对抗性对抗：黑灰产对抗频繁，类别边界模糊
数据管理全流程
数据刻画
- 构建多级标签体系（包含/互斥/歧义分析）
- 细化边界描述，降低标注难度
- 分析易误判标签，提升标注可用性
数据收集
- 定向爬虫、多模态跨任务爬虫
- 样本挖掘、数据回流（质检/客户反馈）
- 冷启动策略扩充数据分布
数据生成与拓展
- 伪标签生成（检测/分类/特征匹配模块）
- 数据增广（算术/混合/模糊等8种方法）
数据标注
- 细化标注文档，结合预标注降低成本
- 均匀采样，交叉验证提升准确性
- 高频交叉训练，缩短周期
数据增强
数据选择与清洗
- 采用主动学习、OOD+主动学习等策略
- 优化指标：不确定性/多样性/分布/精度/平衡
数据分析
- 分析精度/召回指标、历史反馈、模型差异
- 定向补充易误判类型数据
数据迭代
- 测试流程：基础测试→离线测试→预发测试→线上验证
- 关键指标：百万量级数据、特定类型高频分析
AI架构与数据价值
- 自监督学习：构建数据相关性与任务相关性更高的基础模型集合
- 半监督学习：充分发掘无标签数据价值
- 弱监督学习：利用更细粒度内容信息
- 无监督学习：应对开放域小样本问题（如TinySet检测未知对象）
算法能力验证
- 获得中国人工智能大赛多项最高级A级证书（深度伪造视频/音频/旗帜识别等）
- 获得人工智能创新之星、浙江省科学技术进步奖一等奖
