阿里推出AI鑒黃師，將用于集中打標(biāo)和審查可疑圖片

“唐馬儒們”這兩年可能正在面臨前所未有的職業(yè)危機(jī)。

這個(gè)因飾演鑒黃師而走紅的角色，激起了大家對鑒黃這個(gè)職業(yè)的好奇心。南方都市報(bào)就曾對這個(gè)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(shí)挺辛苦，也挺枯燥。平均下來一分鐘要瀏覽50個(gè)以上的用戶、上百張圖片，所以盯著電腦都要全神貫注。

這個(gè)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)羿戓設(shè)計(jì)所了解，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。

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(jìn)行審核，那時(shí)還沒有 AI 的說法，只是用機(jī)器學(xué)習(xí)的方法來進(jìn)行圖片的鑒別?！毖熍e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(hù)的動(dòng)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(jì)算、O2O、視頻、直播等領(lǐng)域的不斷拓展，這項(xiàng)需求愈加強(qiáng)烈，凡是有UGC（用戶產(chǎn)生內(nèi)容）的業(yè)務(wù)，都會(huì)面臨色情低俗風(fēng)險(xiǎn)。在數(shù)據(jù)量和算法技術(shù)有一定積累后，這項(xiàng)技術(shù)也同時(shí)開始對外進(jìn)行輸出，越來越多的企業(yè)和機(jī)構(gòu)也開始使用這項(xiàng)服務(wù)。

雷鋒網(wǎng)發(fā)現(xiàn)，2015年阿里曾推出“綠網(wǎng)”平臺(tái)，其最主要的功能之一就是進(jìn)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(gè)功能，當(dāng)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(chǔ)需求到鑒別需求，隨著 AI 鑒黃技術(shù)的加入，這項(xiàng)技術(shù)會(huì)讓阿里云爭取到更多的用戶。

提到人工智能，都會(huì)關(guān)注三個(gè)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(xué)習(xí)資料。

薛暉透露，首先他們會(huì)寫一些自動(dòng)化爬取圖片的腳本，可以直接到網(wǎng)頁中相應(yīng)區(qū)域進(jìn)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(jìn)行去重，實(shí)際去重后約2300萬張圖片，在這之中，需要人工再進(jìn)行標(biāo)識，最終實(shí)際標(biāo)注了超過1300萬張圖片，而這1300多萬張圖片就是最后模擬訓(xùn)練的原始數(shù)據(jù)庫。

值得注意的是，數(shù)據(jù)標(biāo)準(zhǔn)的制定很重要，因?yàn)樵诓煌瑖摇⒉煌袠I(yè)、不同時(shí)期，對色情的標(biāo)準(zhǔn)定義不一樣，比如政府網(wǎng)站和直播網(wǎng)站，就會(huì)有不一樣的標(biāo)準(zhǔn)，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(fēng)險(xiǎn)做不同層次的管控，比如他們會(huì)給用戶很多選項(xiàng)，不同的用戶可以自身需要來勾選。

第二個(gè)關(guān)鍵點(diǎn)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(jī)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(jìn)行了優(yōu)化，并針對問題的特點(diǎn)做了專門的改進(jìn)，不光有檢測模型來攔截風(fēng)險(xiǎn)，還部署了圖像檢索引擎，來防范突發(fā)的風(fēng)險(xiǎn)。

第三是在算力方面，原來千萬級別的樣本，GPU機(jī)器單機(jī)單卡的情況下訓(xùn)練時(shí)間要近一個(gè)月，后來團(tuán)隊(duì)更換了網(wǎng)絡(luò)結(jié)構(gòu)并實(shí)現(xiàn)了多機(jī)多卡訓(xùn)練，將千萬級別樣本的訓(xùn)練時(shí)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(jī)器對圖片進(jìn)行訓(xùn)練，比如原本需要一周才能訓(xùn)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(jìn)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(yù)。

據(jù)薛暉透露，目前 AI 鑒黃師對單張圖的判斷準(zhǔn)確率要大于99.5%，通常來看，AI對一張圖有三個(gè)判斷：違規(guī)，可疑，正常。

對于違規(guī)和正常的圖片，他們會(huì)放過，而對標(biāo)注為可疑的圖片，則需要人工審核，這部分?jǐn)?shù)據(jù)占比較低，一般小于0.5%。打個(gè)比方，有4億張圖片要審，AI識別準(zhǔn)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)羿戓設(shè)計(jì)了解，由于黑產(chǎn)針對安全模型也在不斷進(jìn)行對抗，比如業(yè)內(nèi)很關(guān)注的對抗學(xué)習(xí)（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(jìn)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(huì)公布研究結(jié)果。

在語音識別這方面，AI也仍需不斷進(jìn)行完善，在當(dāng)天的峰會(huì)中，來自科大訊飛北京研究院副院長伍大勇舉了這樣一個(gè)例子，“黑夜總會(huì)過去，白天總會(huì)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(dāng)中有“夜總會(huì)”三個(gè)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(huì)變少，未來人工在圖片鑒黃中的工作將主要集中于打標(biāo)和審查可疑圖片。