3月11日，AI数据技术公司星尘数据（Stardust AI）正式发布MorningStar——一款面向AI的数据闭环产品。MorningStar是目前首个专注数据价值发现的AI数据平台，基于DataOps的理念打造，全面覆盖AI算法从训练到生产全链路中的数据发现、管理、协作、迭代等各个环节。
▲MorningStar正式发布
数据技术已经推动了人工智能的三次变革。在大模型时代，各行各业都需要基于自身数据打造超级员工，以提高企业的生产效率。模型和算力可以购买，但数据需要精细化、全流程的管理，才能释放真正的价值。企业需要搭建一个可发现、可管理、可协作、可迭代的数据管道，才能具备获取数据、生产数据、持续迭代数据的能力，促进内部以数据为中心的协作，从而在AI2.0时代中获得核心竞争力。
MorningStar是市面上唯一一个专为AI2.0时代企业打造的数据闭环产品，全面覆盖AI算法从训练到生产全链路中的数据管理、迭代、优化、挖掘等闭环链路，致力于帮助企业建立高效的数据闭环系统，实现数据价值最大化和模型效果最优化，助力打造差异化竞争力壁垒。
一、精准狙击AI“数据债”，MorningStar应运而生
近年来，AI算法经历了多个发展阶段，但都和数据的突破息息相关。2009年，ImageNet项目充分展示了深度神经网络的潜力。该项目不仅证实了深度学习模型处理复杂视觉任务的能力，也凸显了大规模标注数据在训练高效模型中的重要性。2017年，Transformer架构的推出及其在BERT和GPT等模型中的应用，带来了另一次飞跃。这一阶段的关键创新在于能够利用全网数据进行大规模并行训练，显著提升了模型的理解和生成能力。2022年，大语言模型进一步证明了数据策略和数据质量对于模型的重要性。
过去，MLOps一直是业界关注的焦点，即如何优化模型的性能。2021年吴恩达提出了Data-centric AI的主张，许多研究人员开始将目光转向以数据为中心的AI研究。其主要目标是加强数据的质量和数量，而不过多关注模型结构的调整。在大模型领域，这种转变尤为显著。例如，相较于GPT2，GPT3在模型结构上的改变微乎其微，更多的精力放在了清洗高质量的大规模训练数据上。同样，ChatGPT与GPT3相比，也没有改变模型结构，而是采用了全新的数据策略与人类意图对齐。
AI的三次变革凸显了数据技术在推动机器学习算法进步方面的关键作用。事实上，算法开发过程中有80%的工作与数据相关。一个算法的上线部署需要经历需求定义、方案制定、数据采集、数据标注、模型设计、训练、指标测试、推理优化等等。在各个环节中，各个角色跨组织协同会导致企业数据债的产生。简单来说，数据债指的是企业当前状态与最大化数据价值之间的差距。数据债包含算法和其他部门的认知差别、项目时间上的认知差别、文档和数据语义的差距、不同数据集定义之间的差距等。数据债不仅会导致数据价值无法释放，运营成本不断增加，还会影响模型的上线和迭代效率。
▲机器学习全生命周期数据债
“为了解决机器学习中的数据债问题，MorningStar应运而生。”星尘数据创始人&CEO章磊表示：“MorningStar专注于发现数据价值，加速模型迭代，为AI2.0打造以数据为中心的协作环境，消除数据债。”
MorningStar全面覆盖AI全生命周期的数据闭环，不仅能确保数据的统一管理和快速迭代，还集成了主流难例数据的发现策略，支持AI算法的高效迭代，为企业提供一个全面的数据维护工具，以满足其对数据管理和价值挖掘的需求。
二、重构数据闭环，打通AI数据全生命周期管理
在机器学习中，模型在整个流程中所占比重很少，算法工程师绝大部分时间都是花在思考业务、数据标注和数据分析上，以提高模型的泛化性。算法工程师需要耗费大量的时间和精力仔细研究数据，找出异常之处，了解数据规律，反复编排流程，比较版本差异，以提高模型的泛化性，达到最佳效果。例如：难以直观看到数据分布，效率低；数据语义缺乏记录，难复现；数据指标不完善，难挖掘；数据量巨大，检索困难……据OpenAI内部工程师透露，由于数据历史语义丢失，ChatGPT之前曾一度面临模型无法复现的问题。
针对这些痛点，星尘数据自主研发了AI数据全生命周期管理功能，强化数据版本控制、快捷数据切片、可追溯数据血缘和安全管控。MorningStar集成了八大功能，其自动化工作流能够确保数据在每个阶段都能得到妥善管理和最优化。
▲MorningStar数据闭环
● 数据可视化：支持多源、多格式、异构的结构化数据统一管理，实现全面而高效的数据收集与存储。
● 数据生命周期管理：用户可以通过平台进行数据流程的编排和调度，实现数据的自动化处理和转换，同时记录全生命周期数据信息，确保数据的可追溯性和操作的可复现性。
● 数据探索：提供超大规模AI数据管理能力，用户可以利用平台的强大搜索功能，通过多语义、跨模态等方式快速找到所需的数据，并进行可视化分析。
● 难例发现：集成主流难例发现策略，如主动学习等，为算法工程师提供数据特征分布、可视化和模型指标计算等便捷功能。
● 人类反馈：创建高质量的人类反馈通道，一键送标至自动化标注系统Rosetta。
● 数据合成：支持可控数据生成，填补现实世界中的数据空白，提高模型的鲁棒性和适应性。
● 算法指标跟踪：支持SDK，打通算法和数据的反馈闭环，可进行算法管理和指标评测，提升模型迭代的效率和可靠性。
● 数据连接：推理管理与性能监控，实现模型部署和优化的高效循环。
▲ AI数据发现、管理、协作、迭代平台MorningStar
章磊表示：“MorningStar的目标用户主要分为三类：机器学习算法工程师、业务人员、研发负责人。对于不同的用户，我们的平台可以满足各种需求，包括发现数据中的难例，跟踪指标，记录数据全生命周期等等，从而让数据价值最大化，模型更好地迭代。”
三、集合主流难例发现策略，大幅提高算法效果
MorningStar具备丰富的数据挖掘工具，兼容各类难例数据发现策略，助力发现数据的全面价值，包括细颗粒度可视化、指标计算、数据分布探索、跨模态数据检索等。通过人工监督、语义检索、特征生成和数据增强等手段，提高算法效果，助力算法迭代降本增效。
▲通过数据分布发现难例
此外，MorningStar具备强大的指标追踪与模型分析能力，能够保障模型训练过程的可追溯性与可迭代性。通过一系列数据追溯、模型调试和分析生成工具，助力实现和维护高质量、可再生产的AI模型。
▲MorningStar客户案例
一位自动驾驶算法工程师曾反馈，原本需要花费1天时间才能发现的难例，通过MorningStar平台只需要1-2小时即可，大大提高了迭代效率。
四、解锁数据潜力，实现数据价值的最大化
现阶段，算力和基座模型都可以直接购买，公域数据逐渐成为标品的情况下，私域数据成为了企业最核心的竞争力。然而，数据量并不等于数据质量，企业只有自身具备沉淀私域高质量数据的能力、即可直接用于生成超级员工的数据，才能获得市场竞争的核心优势。从这个角度上看，具有数据价值发现的数据管理平台，成为了AI2.0时代的必然趋势和全新挑战。
MorningStar致力于帮助企业建立可发现、可管理、可协作、可迭代的数据管道，将助力企业在未来竞争激烈的市场中占据领先地位。
数据价值可发现
MorningStar能够帮助企业将海量非结构化数据转为数据洞察，帮助企业作出更明智的决策，优化业务流程，提高效率和竞争力。
数据要素可管理
MorningStar支持对数据集进行全面分析，助力企业和团队负责人实现企业级数据要素管理分析，一览呈现数据资产规模、内容分布、归属权等维度的信息。
数据应用可协作
MorningStar提供了协作和共享功能，支持数据权限管理，使团队协作更安全。企业可以创建多个用户账号，控制数据访问权限，并支持实时协作编辑数据。
数据资产可迭代
MorningStar支持数据版本控制和追溯，帮助企业跟踪数据的使用过程。通过不断地迭代和改进数据资产，保持数据的活力和价值，适应不断变化的业务环境。
随着大模型的普及，AI已经迅速渗透到各行各业，企业拥有的数据是核心竞争优势。MorningStar不仅能够支持企业高效迭代AI数据的关键环节，避免数据债风险的积累，还能减少低价值数据成本的浪费，解决模型训练和应用效果反馈链条过长等问题。作为AI数据服务的先行者，星尘数据不仅将用MorningStar助力AI2.0发展，还将持续以数据为中心，推出新的功能和服务，以满足用户不断变化的需求，发现数据价值，加速AI创新。