<mark id="oztn4"></mark>
0
“唐馬儒們”這兩年可能正在面臨前所未有的職業(yè)危機。
這個因飾演鑒黃師而走紅的角色，激起了大家對鑒黃這個職業(yè)的好奇心。南方都市報就曾對這個群體做過調(diào)查，得出的結(jié)論是：
不知道的以為很黃很刺激，其實挺辛苦，也挺枯燥。平均下來一分鐘要瀏覽50個以上的用戶、上百張圖片，所以盯著電腦都要全神貫注。
這個最先因“掃黃打非”而被公安部門設(shè)立的崗位，這些年也成為各大互聯(lián)網(wǎng)公司的“剛需”崗位之一。但近年來由于 AI 技術(shù)的迅猛發(fā)展，辛苦又枯燥的鑒黃師工作正越來越多地被 AI 所替代。
近日，阿里就隆重推出了一位“AI 鑒黃師”。
據(jù)公開資料的介紹，阿里AI鑒黃師不僅能鑒別黃片黃圖，連帶有情色信息的語音內(nèi)容都能識別，甚至無語義的呻吟聲也能識別出來。
在8月21日舉辦2018網(wǎng)絡(luò)安全生態(tài)峰會中，來自阿里巴巴安全部的的資深算法專家薛暉就為雷鋒網(wǎng)編輯揭密了 AI 圖片鑒黃背后的故事。
做電商出身的阿里巴巴，使用 AI 鑒黃最先來自于自身具體業(yè)務(wù)的需求。
“電商業(yè)務(wù)場景中，我們需要對大量商家的海量圖片進行審核，那時還沒有 AI 的說法，只是用機器學習的方法來進行圖片的鑒別。”薛暉舉例，在違規(guī)售賣的商家中，有些是非惡意的，比如一些受保護的動植物、某些品類的刀具甚至藥物等，某些商家不知道這是不能賣的；還有一些就是“明知故犯”的，比如用色情圖片惡意引流、發(fā)布一些做黑灰產(chǎn)的廣告、色情光盤網(wǎng)盤地址等。
隨著商家數(shù)量和圖片數(shù)量的飛速增長，對效率更高、成本更低的AI鑒圖就有了剛性需求。
后來，隨著阿里在電商、大文娛、社交、云計算、O2O、視頻、直播等領(lǐng)域的不斷拓展，這項需求愈加強烈，凡是有UGC（用戶產(chǎn)生內(nèi)容）的業(yè)務(wù)，都會面臨色情低俗風險。在數(shù)據(jù)量和算法技術(shù)有一定積累后，這項技術(shù)也同時開始對外進行輸出，越來越多的企業(yè)和機構(gòu)也開始使用這項服務(wù)。
雷鋒網(wǎng)發(fā)現(xiàn)，2015年阿里曾推出“綠網(wǎng)”平臺，其最主要的功能之一就是進行色情、廣告等信息的識別和攔截。薛暉告訴編輯，綠網(wǎng)的這個功能，當年也是阿里云戰(zhàn)略中的一部分，AI 鑒黃的技術(shù)是作為賦能生態(tài)的一部分。
也就是說，目前用到 AI 鑒黃的業(yè)務(wù)早已不僅僅是淘寶中的商家，還有千千萬萬使用阿里云的企業(yè)們，比如，近兩年因涉黃而頗受關(guān)注的多家直播網(wǎng)站。
從存儲需求到鑒別需求，隨著 AI 鑒黃技術(shù)的加入，這項技術(shù)會讓阿里云爭取到更多的用戶。
提到人工智能，都會關(guān)注三個問題：數(shù)據(jù)、算法、算力。
數(shù)據(jù)方面， “AI鑒黃師 ”首先需要有充足的學習資料。
薛暉透露，首先他們會寫一些自動化爬取圖片的腳本，可以直接到網(wǎng)頁中相應(yīng)區(qū)域進行圖片爬取。目前他們總共瀏覽了近2000家網(wǎng)站，下載了超過6000萬張疑似色情圖片。
但這些圖片僅僅是疑似圖片，還需要進行去重，實際去重后約2300萬張圖片，在這之中，需要人工再進行標識，最終實際標注了超過1300萬張圖片，而這1300多萬張圖片就是最后模擬訓練的原始數(shù)據(jù)庫。
值得注意的是，數(shù)據(jù)標準的制定很重要，因為在不同國家、不同行業(yè)、不同時期，對色情的標準定義不一樣，比如政府網(wǎng)站和直播網(wǎng)站，就會有不一樣的標準，目前，他們可以給用戶提供一定的操作空間，用戶可以根據(jù)自身情況來對風險做不同層次的管控，比如他們會給用戶很多選項，不同的用戶可以自身需要來勾選。
第二個關(guān)鍵點是算法。
比如，10000 張圖片里面往往有一張屬于色情圖片，但為了識別出這一張圖片，機器掃描的成本是10000次，這就需要模型更輕，速度更快。據(jù)薛暉介紹，在算法方面，他們對神經(jīng)網(wǎng)絡(luò)進行了優(yōu)化，并針對問題的特點做了專門的改進，不光有檢測模型來攔截風險，還部署了圖像檢索引擎，來防范突發(fā)的風險。
第三是在算力方面，原來千萬級別的樣本，GPU機器單機單卡的情況下訓練時間要近一個月，后來團隊更換了網(wǎng)絡(luò)結(jié)構(gòu)并實現(xiàn)了多機多卡訓練，將千萬級別樣本的訓練時間控制在一周左右。換句話說，面對同樣數(shù)量的圖片，他們選擇用更多的機器對圖片進行訓練，比如原本需要一周才能訓練完的圖片，現(xiàn)在只需要一天，這樣就可以更快的對模型進行優(yōu)化，提高迭代速度。
雖然 AI 鑒黃所發(fā)揮的能力越來越大，但目前仍然需要人工的干預。
據(jù)薛暉透露，目前 AI 鑒黃師對單張圖的判斷準確率要大于99.5%，通常來看，AI對一張圖有三個判斷：違規(guī)，可疑，正常。
對于違規(guī)和正常的圖片，他們會放過，而對標注為可疑的圖片，則需要人工審核，這部分數(shù)據(jù)占比較低，一般小于0.5%。打個比方，有4億張圖片要審，AI識別準確率為99.5%，只有20萬張可疑的圖片，需要人工再審核一次。
另外，據(jù)雷鋒網(wǎng)了解，由于黑產(chǎn)針對安全模型也在不斷進行對抗，比如業(yè)內(nèi)很關(guān)注的對抗學習（GAN），明明肉眼看是一張色情圖片，但黑產(chǎn)經(jīng)過處理可以逃避檢測。針對這樣的情況，安全模型也需要不斷進行升級，目前，阿里有跟浙大合作做這方面的研究，之后他們會公布研究結(jié)果。
在語音識別這方面，AI也仍需不斷進行完善，在當天的峰會中，來自科大訊飛北京研究院副院長伍大勇舉了這樣一個例子，“黑夜總會過去，白天總會來臨”，這句話本并沒有什么問題，但在系統(tǒng)中一直過不去，原因是這句話當中有“夜總會”三個字。
也就是說，目前 AI 鑒黃并不能完全取代人工鑒黃，最佳的審核方式是智能為主，人工為輔。由于AI鑒黃師的出現(xiàn)，人工鑒黃師群體會變少，未來人工在圖片鑒黃中的工作將主要集中于打標和審查可疑圖片。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
