由此，我们再来理解商业机会。

数据采集与标注的公司有很多，从巨头的“副业”到AI数据专业化平台，总体而言主要玩家如图所示：

除此之外，更多中小玩家甚至几十人的草台班子数不胜数。在中国，目前全国从事数据标注业务的公司约有几百家，全职的数据标注从业者有约20万人，兼职数据标注从业者有约100万人。

易入门、难精通，而上述两大因素决定NLP数据面临巨大的挑战，做得好的就更少。

在数据“坐庄”NLP的大背景下，空出了大量的商业机会，而客观上的高要求阻却了大量低门槛入场的玩家，NLP数据相对于CV更像一个蓝海。

打破单纯“体力活”标签，NLP数据采集与标注从四个方面自我演进

有机会就总有人会进场，不久前，中国人工智能高峰论发布了中国人工智能科技服务商50强，既有商汤、旷视这种明星企业，也出现了榜单内唯一的AI数据服务商云测数据，这显示AI数据正在进入“主流圈”，在蓝海中尝试跑出独角兽企业。

当然，前提是平台能够解决好NLP数据的痛点问题。

事实上，CV的“感知”需求使得“体力活”可能就能够胜任大多数据生产工作（谁不认识一辆车、一个人呢），而“认知”的NLP数据要突围，只是“体力活”早已经不够。

至少目前来看，行业玩家在四个方面有所动作，或正在解决NLP数据痛点问题。

1、业务模式，用“定制化”迎合商业落地期的NLP

曾有媒体向Google工程师提起M－Turk的时候，他表示“我们不敢用Turk标注”，因为回收的数据良莠不齐。

众包模式（在公开平台发布任务，自由申领）是曾经的AI数据产业主流，拥有数据丰富性和多样性的优势，不过数据质量比较难以把控。在数据精细化要求的今天，很多需求方都转向了“定制化”（一对一，以项目制的方式完成交办的数据任务）服务模式。

例如，云测数据的“定制化”服务模式，跟的就是需求方复杂、精深而个性化的数据要求。具体到NLP，在数据采集上满足特定人物（老人、妇女、小孩）、特定场景（家居、办公、商业等）、不同方言的声音／文本数据采集；在数据标注上进行需求的对接、理解清楚场景化要求再分发尽量具体的规范指导（同样一句话在不同交流目的中可能需要标注不同的内容，例如“我没钱”在信贷服务中意味着潜在客户，在理财服务中则表达拒绝的态度）。

当然，众包模式也有它的优点，能够轻量化承载大量相对简单的数据需求，而场景化的定制模式则更专业，主要依靠自有员工和基地，像云测数据就在华东、华南、华北拥有自建标注基地，这种玩法显然更适合匹配客单价更高的场景化、定制化需求，NLP是典型。

2、管理流程，从“粗放制造”到“精益制造”

既然数据采集与标注很像是工厂的流水线，那么如果要提升数据的精准度，其实就如同“制造业”升级那样需要进行“粗放制造”到“精益制造”的转变，首要体现在管理流程的优化上。

无论是从平台接取任务的众包团队，还是直接对接需求方的定制化服务平台，至少，草台班子式的做法已经不适合NLP对数据的要求。

高精准度、高效率，都依赖管理流程的优化，以云测数据为例，具体做法包括这几个大方向：

标注、审核、抽检的层层把关：标注人员的结果交由另一批人进行审核，打回不合格的，最终再由质检进行抽检，大体如此，可能步骤更复杂；

人才类型的基础分类：文本、语音、图像标注人员不相互混用；

擅长场景的优先任务派发：在同等条件下，擅长对应场景的人优先派发给任务。

例会制度：如同精细化管理的制造业一样，早会、晚会、周会、月会，总结问题、提醒改进。

……

而无论如何，管理流程的事，说得再多，日常工作的落实才是最重要的。

3、职业技能，专业培训摆脱“低水平重复”

“不要门槛”意味着更低的价值，在人员个人能力上，NLP在逐渐抛弃那些“无门槛”入局的人，尤其是在特定的场景需求下。

例如，这是一个非常简单的NLP数据标注实例：