3月11日，信息债AI信息工艺公司星尘信息（Stardust AI）正式发布MorningStar——一款面向AI的星尘信息信息闭环产物。MorningStar是正最B站带货博主社群录音外泄合集目前首个专注信息价值发现的AI信息平台，基于DataOps的布狙理念打造，全面覆盖AI运算规则从训练到生产全链路中的击成信息发现、运营、看点协作、信息债迭代等各个环节。星尘信息

▲MorningStar正式发布

信息工艺已经推动了机器智能的三次变革。在大模型时代，击成各行各业都需要基于自身信息打造超级员工，看点以提高企业的信息债生产效率。模型和算力可以购买，星尘信息但信息需要精细化、正最全流程的运营，才能释放真正的价值。企业需要搭建一个可发现、可运营、可协作、可迭代的信息管道，才能具备获取信息、生产信息、持续迭代信息的能力，促进内部以信息为中心的协作，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时代企业打造的信息闭环产物，全面覆盖AI运算规则从训练到生产全链路中的B站带货博主社群录音外泄合集信息运营、迭代、优化、挖掘等闭环链路，致力于帮助企业建立高效的信息闭环系统，实现信息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“信息债”，MorningStar应运而生

近年来，AI运算规则经历了多个增长阶段，但都和信息的突破息息相关。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信息在训练高效模型中的关键性。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信息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信息策略和信息质量对于模型的关键性。

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信息为中心的AI研究。其主要目标是加强信息的质量和数量，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信息上。同样，ChatGPT与GPT3相比，也没有改变模型结构，而是采用了全新的信息策略与人类意图对齐。

AI的三次变革凸显了信息工艺在推动机器学习运算规则进步方面的关键作用。事实上，运算规则开发过程中有80%的工作与信息相关。一个运算规则的上线部署需要经历需求定义、方案制定、信息采集、信息标注、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信息债的产生。简单来说，信息债指的是企业当前状态与最大化信息价值之间的差距。信息债包含运算规则和其他部门的认知差别、项目时间上的认知差别、文档和信息语义的差距、不同信息集定义之间的差距等。信息债不仅会导致信息价值无法释放，运营成本不断增加，还会作用模型的上线和迭代效率。

▲机器学习全生命周期信息债

“为了解决机器学习中的信息债问题，MorningStar应运而生。”星尘信息创始人&CEO章磊表示：“MorningStar专注于发现信息价值，加速模型迭代，为AI2.0打造以信息为中心的协作环境，消除信息债。”

MorningStar全面覆盖AI全生命周期的信息闭环，不仅能确保信息的统一运营和快速迭代，还集成了主流难例信息的发现策略，支持AI运算规则的高效迭代，为企业提供一个全面的信息维护工具，以满足其对信息运营和价值挖掘的需求。

二、重构信息闭环，打通AI信息全生命周期运营

在机器学习中，模型在整个流程中所占比重很少，运算规则工程师绝大部分时间都是花在思考业务、信息标注和信息分析上，以提高模型的泛化性。运算规则工程师需要耗费大量的时间和精力仔细研究信息，找出异常之处，了解信息规律，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：难以直观看到信息分布，效率低；信息语义缺乏记录，难复现；信息指标不完善，难挖掘；信息量巨大，检索困难......据OpenAI内部工程师透露，由于信息历史语义丢失，ChatGPT之前曾一度面临模型无法复现的问题。

针对这些痛点，星尘信息自主研发了AI信息全生命周期运营功能，强化信息版本控制、快捷信息切片、可追溯信息血缘和保障管控。MorningStar集成了八大功能，其自动化工作流能够确保信息在每个阶段都能得到妥善运营和最优化。

▲MorningStar信息闭环

● 信息可视化：支持多源、多格式、异构的结构化信息统一运营，实现全面而高效的信息收集与存储。

● 信息生命周期运营：客户可以通过平台进行信息流程的编排和调度，实现信息的自动化处理和转换，同时记录全生命周期信息信息，确保信息的可追溯性和操作的可复现性。

● 信息探索：提供超大规模AI信息运营能力，客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信息，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，为运算规则工程师提供信息特征分布、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。

● 信息合成：支持可控信息生成，填补现实世界中的信息空白，提高模型的鲁棒性和适应性。

● 运算规则指标跟踪：支持SDK，打通运算规则和信息的反馈闭环，可进行运算规则运营和指标评测，提升模型迭代的效率和可靠性。

● 信息连接：推理运营与性能监控，实现模型部署和优化的高效循环。

▲ AI信息发现、运营、协作、迭代平台MorningStar

章磊表示：“MorningStar的目标客户主要分为三类：机器学习运算规则工程师、业务人员、研发负责人。对于不同的客户，我们的平台可以满足各种需求，包括发现信息中的难例，跟踪指标，记录信息全生命周期等等，从而让信息价值最大化，模型更好地迭代。”

三、集合主流难例发现策略，大幅提高运算规则效果

MorningStar具备丰富的信息挖掘工具，兼容各类难例信息发现策略，助力发现信息的全面价值，包括细颗粒度可视化、指标计算、信息分布探索、跨模态信息检索等。通过人工监督、语义检索、特征生成和信息增强等手段，提高运算规则效果，助力运算规则迭代降本增效。

▲通过信息分布发现难例

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。通过一系列信息追溯、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

一位自动驾驶运算规则工程师曾反馈，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、解锁信息潜力，实现信息价值的最大化

现阶段，算力和基座模型都可以直接购买，公域信息逐渐成为标品的情况下，私域信息成为了企业最核心的竞争力。然而，信息量并不等于信息质量，企业只有自身具备沉淀私域高质量信息的能力、即可直接用于生成超级员工的信息，才能获得市场竞争的核心优势。从这个角度上看，具有信息价值发现的信息运营平台，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、可运营、可协作、可迭代的信息管道，将助力企业在未来竞争激烈的市场中占据领先地位。

 信息价值可发现

MorningStar能够帮助企业将海量非结构化信息转为信息洞察，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。

信息要素可运营

MorningStar支持对信息集进行全面分析，助力企业和团队负责人实现企业级信息要素运营分析，一览呈现信息资产规模、内容分布、归属权等维度的信息。

信息应用可协作

MorningStar提供了协作和共享功能，支持信息权限运营，使团队协作更保障。企业可以创建多个客户账号，控制信息访问权限，并支持实时协作编辑信息。

信息资产可迭代

MorningStar支持信息版本控制和追溯，帮助企业跟踪信息的使用过程。通过不断地迭代和改进信息资产，保持信息的活力和价值，适应不断变化的业务环境。

章磊介绍说：“在 AI2.0 时代，掌握自己的信息就是掌握自己的模型。”企业信息价值的核心在于定义、运营和迭代信息。通过可发现、可运营、可协作、可迭代的信息管道，企业的生产力可实现10倍以上的提升。雷峰网(公众号：雷峰网)雷峰网雷峰网

随着大模型的普及，AI已经迅速渗透到各行各业，企业拥有的信息是核心竞争优势。MorningStar不仅能够支持企业高效迭代AI信息的关键环节，避免信息债风险的积累，还能减少低价值信息成本的浪费，解决模型训练和应用效果反馈链条过长等问题。作为AI信息支持的先行者，星尘信息不仅将用MorningStar助力AI2.0增长，还将持续以信息为中心，推出新的功能和支持，以满足客户不断变化的需求，发现信息价值，加速AI创新。

雷峰网版权文章，未经授权禁止转载。详情见转载须知。