产品详细介绍

Ocular AI 是一款专为多模态 AI 场景打造的数据基础设施平台（Data Foundry），面向需要处理海量文本、图像、视频、音频等非结构化数据的团队和企业。它将数据集中管理、协同标注、模型训练与评估整合在同一平台中，帮助你从原始数据快速构建高质量“黄金数据集”，并在此基础上打造和对齐自定义 AI 模型。

1. 多源多模态数据集中管理

  • 支持从各类云端与本地数据源统一接入，打破数据孤岛，将分散在不同系统和存储中的多模态数据集中到一个工作空间中。
  • 针对文本、图片、视频、音频等多种数据类型提供统一的可视化浏览与组织能力，便于团队协同查看和管理。
  • 数据集中后可进行灵活的分组、筛选、版本管理，为后续标注、训练和评估提供稳定的数据基座。

2. 自然语言多模态搜索与探索

  • 支持使用自然语言在视频、图像和音频中进行搜索，无需提前人工打标签。
  • 可以快速定位特定物体、场景、对话片段或关键时刻，大幅降低数据筛选和样本发现的成本。
  • 搜索结果会自动更新，便于在持续增长的数据集上进行迭代探索。

3. 高效可扩展的数据标注与管理

  • 通过 Ocular Foundry 和 Ocular Bolt，将 AI 标注代理与人工审核（Humans-in-the-loop）结合，实现大规模高质量标注。
  • 支持灵活配置标注工作流，适配简单分类到复杂多模态任务（如视频中目标检测、场景理解、对话标注等）。
  • 内置项目管理与数据集分析功能，可实时跟踪标注进度、质量指标和版本变化，确保数据集可追溯、可复现。
  • 支持对数据集进行版本化管理，方便在不同实验和模型迭代中对比数据差异和效果变化。

4. 专家级 RLHF 与专业领域标注

  • 提供 RLHF（基于人类反馈的强化学习）能力，可对多模态模型进行对齐和质量提升。
  • 可接入来自医生、工程师、法律专家等专业人士的标注与评估，适用于医疗、工业、法律等对专业知识要求极高的场景。
  • 通过专家反馈对模型输出进行细致评估和打分，帮助构建更可靠、更符合业务需求的模型行为。

5. 训练、评估与模型对比一体化

  • 支持在数据所在环境中直接训练模型，利用托管 GPU 集群和可扩展训练流水线，避免大规模数据迁移带来的成本与风险。
  • 可在交互式“模型游乐场”中对模型进行测试和对比，使用自己的数据验证模型性能。
  • 支持多模型对比评估，帮助团队快速选择最适合业务场景的模型方案，并持续迭代优化。

6. 企业级安全与合规集成

  • 与现有技术栈深度集成，可无缝嵌入现有数据管道和业务流程。
  • 即便连接外部数据源，数据仍保留在企业现有基础设施和存储中，降低合规与安全风险。
  • 采用企业级安全架构与防护措施，系统持续监控与审计，确保数据隐私与访问控制符合企业与行业标准。

综合来看，Ocular AI 既是多模态数据的“集中仓库”，也是从数据到模型的“生产线”，适合需要在复杂多模态数据上构建高质量 AI 能力的团队和企业使用。

简单使用教程

以下是基于典型工作流的简要上手步骤，帮助你快速理解如何用 Ocular AI 从数据走到模型：

步骤一：接入与集中你的多模态数据

  1. 注册并登录 Ocular AI 平台。
  2. 在数据源管理界面，连接你的云存储（如对象存储、数据湖等）和本地数据源。
  3. 选择需要纳入管理的文本、图片、视频、音频等数据集，配置同步策略（一次性导入或持续同步）。
  4. 完成后，你可以在统一的工作空间中浏览和组织所有多模态数据。

步骤二：探索与筛选数据样本

  1. 在数据浏览界面，使用自然语言搜索功能，例如输入“夜间城市街道行人”或“医生与病人对话片段”。
  2. 根据搜索结果快速定位目标样本，进行筛选、收藏或加入特定数据集。
  3. 对于视频和音频，可直接跳转到包含关键物体、场景或对话的时间片段，减少人工逐帧查看的工作量。

步骤三：创建标注项目与工作流

  1. 新建标注项目，选择目标数据集和任务类型（如分类、检测、分割、多模态问答等）。
  2. 配置标注工作流：
    • 设定由 AI 代理进行预标注的规则；
    • 指定人工审核或复核环节，实现人机协同（Humans-in-the-loop）；
    • 设置质检比例和验收标准。
  3. 邀请团队成员或外部专家加入项目，分配角色与权限。
  4. 启动项目后，可在项目管理面板中实时查看标注进度、任务分配和质量统计。

步骤四：构建高质量“黄金数据集”

  1. 在标注完成后，对数据集进行质量抽检和统计分析，识别潜在问题样本。
  2. 使用版本管理功能，为当前标注结果创建数据集版本，作为后续训练的“黄金数据集”。
  3. 如需迭代，可在新版本中修正标注、补充样本或引入更多专家反馈，并保留历史版本以便对比。

步骤五：在本地数据上训练自定义模型

  1. 在训练模块中选择目标数据集版本和模型类型（如多模态分类、检索、生成等）。
  2. 配置训练参数（批大小、学习率、训练轮数等），并选择使用的 GPU 集群资源。
  3. 启动训练任务，平台会在数据所在环境中执行训练，避免大规模数据迁移。
  4. 通过训练监控界面查看损失曲线、指标变化和资源使用情况，必要时中断或调整训练。

步骤六：评估、对比与 RLHF 对齐

  1. 将训练好的模型部署到交互式评估“游乐场”，使用你的真实业务数据进行测试。
  2. 对比多个模型在同一数据集上的表现，查看准确率、召回率、延迟等关键指标。
  3. 若需要进一步对齐模型行为，可创建 RLHF 项目：
    • 让专家对模型输出进行打分、排序或修改；
    • 将这些反馈用于后续的对齐训练，提升模型在特定场景下的可靠性和可控性。
  4. 迭代更新模型版本，并与数据集版本一同管理，形成完整的从数据到模型的可追溯链路。

通过以上流程，你可以利用 Ocular AI 将分散的多模态数据转化为结构化的高价值资产，并在此基础上高效构建、评估和对齐适合自身业务的 AI 模型。