{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","title":"人工智能和资本主义的未来_1-200的全文翻译","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9780745338613","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","id":"addbcbca-2f35-4d20-b661-aef770dd9ec7","uuid":"addbcbca-2f35-4d20-b661-aef770dd9ec7","title":"人工智能和资本主义的未来_1-200的全文翻译","normalized_title":"人工智能和资本主义的未来1200的全文翻译","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9780745338613","isbns":["9780745338613","9780745338606","9781786803955","9781786803979","9781786803962"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":200,"navigation_url":"https://workshop.closeclaw.top/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%92%8C%E8%B5%84%E6%9C%AC%E4%B8%BB%E4%B9%89%E7%9A%84%E6%9C%AA%E6%9D%A5_1-200%E7%9A%84%E5%85%A8%E6%96%87%E7%BF%BB%E8%AF%91","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/addbcbca-2f35-4d20-b661-aef770dd9ec7/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/addbcbca-2f35-4d20-b661-aef770dd9ec7","page_url":"https://workshop.closeclaw.top/api/ai/books/addbcbca-2f35-4d20-b661-aef770dd9ec7/page","search_url":"https://workshop.closeclaw.top/api/ai/books/addbcbca-2f35-4d20-b661-aef770dd9ec7/search"},"page":{"printed_page":77,"pdf_page":85,"physical_index":85,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"f72deb42e8652b75e22236470b3fe14effd39a36d430ba657c477b0eebac4405"},"chapter":"非人的力量","content":"ML过程的两层包括，一端是“清理和格式化大量数据以输入模型”，另一端是“仔细部署和监控模型”。正如Dong所观察到的：“从数据处理到培训，再到部署到生产基础设施，机器学习开发过程中任何阶段的任何不兼容性都可能导致错误”(2017)。在实践中，ML软件工程师通常花费更多的时间来处理“准备和监控”，而不是实际的模型制作。在本章的后面，我们将讨论这些数据集的来源，从不知情的手机用户到密切监控的配送中心工人，以及无人驾驶车辆中失眠的“安全驾驶员”。但无论数据是如何收集的，它几乎总是必须经过清理才能用于AI训练:标准化其格式，消除错误，检测异常值，提供额外信息，添加处理中使用的特征，最重要的是标记ML将学会识别的对象。在数据科学家中，诸如“80%的工作是清理数据，另外20%的工作是抱怨数据是如何被清理的”这样的笑话比比皆是(Lohr 2014)。\n\n这种“数据修改”或“数据争论”(Johnston2015)中的大部分都是外包的，通常是离岸微工作，在委内瑞拉、印度和印度尼西亚等低工资地区，每小时的费用从几美元到几美分不等(Nakashima 2018a)。起初，这是通过众包平台(如Freelancer,Mechanical Turk或Upwork)来处理的。后来，数据清洗成了一项专门的业务。Mighty AI和Figure Eight(前身为CrowdFlower)等初创公司开发的软件“可以更容易地标记照片和其他数据，甚至在智能手机上”(Nakashima 2018a)。班加罗尔的Playment公司将这类任务“游戏化”，并将其3万名随叫随到的员工称为“玩家”。在中国，专门从事“精细数据处理”的公司采用泰勒式的劳动分工。一些“项目组”负责标记“人体上的节点以复杂的瑜伽式姿势”，或者为自动驾驶汽车软件标注“摩托车、自行车和行人”，显示他们的行驶方向;另一些“扫描建筑物或模糊物体的轮廓，用于训练雷达探测现实世界的物体”(Yu2017)。这项工作要求很高，也很累。\n\n机器学习“三明治”的另一层，部署和监控，也需要全球的点击工作。ML算法可能不会像预期的那样工作，或者遇到需要干预的问题。2017年，一家提供自动扫描的公司Expensify强调了所谓的自动化系统对人工支持的依赖程度\n\nautomating the social factory .\n\n77","previous_page":76,"next_page":78}