正文
所以在猎户星空所参与的这个项目里，不可以使用外部数据，有限制类别只能在限定的数据集内调用，比拼团队的算法能力。
简而言之，就是用尽量少的资源输出最好的结果，其难点在于技术算法以及团队整体的产品设计思维。
猎户星空介绍，有限定数据集的竞赛难度主要在于——竞赛数据噪声很大，无法直接用于训练；而整个训练数据集非常大，适合人脸模型大规模训练的模型对资源的要求又很高，很难做到又快又好。
“训练数据太脏。这里的脏是指一个类别里有很多不同的人，有时我观察一个类别都不知道正确的人应该是谁，这种数据直接训练很难。”PingWest品玩向相关人士了解到。
经过研究，猎户星空设计了一种鲁棒的去噪算法，可以针对各类不同程度的噪声数据都进行有效地去噪。同时选择采用适合大规模训练的triplet模型，并创新地使用了一种巧妙的设计，在有限资源下加速了triplet网络的训练，也大大提升了性能。
最终猎户星空团队获得0.75／0.606（random set／hard set）的高分。用比赛举办方的话来说，0.75已经接近满分，是一个非常难以达到的成绩。而在hard set上0.606的成绩，也是远远超过去年的最好成绩（0.534）。
一个问题是——一年成立刚刚一年的公司，就能在这样的赛事里拿下这样的成绩，这家公司是什么背景？
猎户星空的背后，是图像、语音识别两大核心技术
AI技术所面临的问题，现在已经明显——学术界的人才不停发paper，却不一定能在大公司中将技术应用落地，快速推向市场；而目前缺失的是工业界的人才——他们面临着如何将论文、学术转化为实际产品应用的问题。如何打开AI技术的应用市场，其实更注重后者。
