在機器學習領(lǐng)域，數(shù)據(jù)重要還是模型重要?這是一個很難回答的問題。

模型和數(shù)據(jù)是 AI 系統(tǒng)的基礎(chǔ)，這兩個組件在模型的開發(fā)中扮演著重要的角色。

人工智能領(lǐng)域最權(quán)威的學者之一吳恩達曾提出「80% 的數(shù)據(jù) + 20% 的模型 = 更好的機器學習」，他認為一個團隊研究 80% 的工作應該放在數(shù)據(jù)準備上，數(shù)據(jù)質(zhì)量是重要的，但很少有人在乎。如果更多地強調(diào)以數(shù)據(jù)為中心而不是以模型為中心，機器學習會發(fā)展的更快。

我們不禁會問，機器學習的進步是模型帶來的還是數(shù)據(jù)帶來的，目前還沒有一個明確的答案。

在本文中，Android 開發(fā)者和機器學習愛好者 Harshil Patel 介紹了「機器學習：以數(shù)據(jù)為中心 VS 以模型為中心」，通過對比以確定兩者中哪個更重要，此外，Patel 還介紹了如何使用以數(shù)據(jù)為中心的基礎(chǔ)設(shè)施。

以數(shù)據(jù)為中心的方法 VS 以模型為中心的方法

以模型為中心的方法意味著需要通過實驗來提高機器學習模型性能，這涉及模型架構(gòu)的選擇、訓練過程。而在以模型為中心的方法中，你需要保持數(shù)據(jù)相同，通過改進代碼和模型架構(gòu)來提高性能。此外，對代碼的改進是以模型為中心的根本目標。

目前，大多數(shù) AI 應用都是以模型為中心的，其中一個可能的原因是學術(shù)研究非常重視 AI 領(lǐng)域。根據(jù)吳恩達的說法，AI 領(lǐng)域 90% 以上的研究論文都是以模型為中心的，因為我們很難創(chuàng)建大型數(shù)據(jù)集，使其成為公認的標準。因此，AI 社區(qū)認為以模型為中心的機器學習更有前景。研究者在專注于模型的同時，往往會忽略數(shù)據(jù)的重要性。

對于研究者而言，數(shù)據(jù)是每個決策過程的核心，以數(shù)據(jù)為中心的公司通過使用其運營產(chǎn)生的信息，可以獲得更準確、更有條理、更透明的結(jié)果，從而可以幫助公司組織更順利地運行。以數(shù)據(jù)為中心的方法涉及系統(tǒng)地改進、改進數(shù)據(jù)集，以提高 ML 應用程序的準確性，對數(shù)據(jù)進行處理是以數(shù)據(jù)為中心的中心目標。

數(shù)據(jù)驅(qū)動 VS 以數(shù)據(jù)為中心

許多人經(jīng)?；煜敢詳?shù)據(jù)為中心」和「數(shù)據(jù)驅(qū)動」這兩個概念。數(shù)據(jù)驅(qū)動是一種從數(shù)據(jù)中收集、分析和提取見解的方法，它有時被稱為「分析」。另一方面，以數(shù)據(jù)為中心的方法側(cè)重于使用數(shù)據(jù)來定義應該首先創(chuàng)建的內(nèi)容;而以數(shù)據(jù)為中心的架構(gòu)指的是一個系統(tǒng)，其中數(shù)據(jù)是主要和永久的資產(chǎn)。數(shù)據(jù)驅(qū)動架構(gòu)意味著通過利用大量數(shù)據(jù)來創(chuàng)建技術(shù)、技能和環(huán)境。

對于數(shù)據(jù)科學家和機器學習工程師來說，以模型為中心的方法似乎更受歡迎。這是因為從業(yè)者可以利用自身知識儲備來解決特定問題。另一方面，沒有人愿意花大量時間去標注數(shù)據(jù)。

然而，在當今的機器學習中，數(shù)據(jù)至關(guān)重要，但在 AI 發(fā)展中卻經(jīng)常被忽視和處理不當。由于數(shù)據(jù)錯誤，研究者可能花費大量時間進行查錯。模型精度較低的根本原因可能不是來自模型本身，而是來自錯誤的數(shù)據(jù)集。

除了關(guān)注數(shù)據(jù)外，模型和代碼也很重要。但研究者往往傾向于在關(guān)注模型的同時忽略數(shù)據(jù)的重要性。最好的方法是同時關(guān)注數(shù)據(jù)和模型的混合方法。根據(jù)應用程序的不同，研究者應該兼顧數(shù)據(jù)和模型。

以數(shù)據(jù)為中心的基礎(chǔ)架構(gòu)

以模型為中心的機器學習系統(tǒng)主要關(guān)注模型架構(gòu)優(yōu)化及其參數(shù)優(yōu)化。

以模型為中心的 ML 應用程序

上圖中描述的是以模型為中心的工作流適用于少數(shù)行業(yè)，如媒體、廣告、醫(yī)療保健或制造業(yè)。但也可能面臨如下挑戰(zhàn)：

需要高級定制系統(tǒng)：不同于媒體和廣告行業(yè)，許多企業(yè)無法使用單一的機器學習系統(tǒng)來檢測其產(chǎn)品的生產(chǎn)故障。雖然媒體公司可以負擔得起有一個完整的 ML 部門來處理優(yōu)化問題，但需要多個 ML 解決方案的制造企業(yè)不能按照這樣的模板進行實施;

大型數(shù)據(jù)集的重要性：在大多數(shù)情況下，公司沒有大量數(shù)據(jù)可供使用。相反，他們經(jīng)常被迫處理微小的數(shù)據(jù)集，如果他們的方法是以模型為中心的，那么這些數(shù)據(jù)集很容易產(chǎn)生令人失望的結(jié)果。

吳恩達曾在他的 AI 演講中解釋了他如何相信以數(shù)據(jù)為中心的 ML 更有價值，并倡導社區(qū)朝著以數(shù)據(jù)為中心的方向發(fā)展。他曾經(jīng)舉了一個「鋼鐵缺陷檢測」的例子，其中以模型為中心的方法未能提高模型的準確率，而以數(shù)據(jù)為中心的方法將準確率提高了 16%。

以數(shù)據(jù)為中心的 ML 應用程序

在實施以數(shù)據(jù)為中心的架構(gòu)時，可以將數(shù)據(jù)視為比應用程序和基礎(chǔ)架構(gòu)更耐用的基本資產(chǎn)。以數(shù)據(jù)為中心的 ML 使數(shù)據(jù)共享和移動變得簡單。那么，在以數(shù)據(jù)為中心的機器學習到底涉及什么?在實現(xiàn)以數(shù)據(jù)為中心的方法時，我們應該考慮以下因素：

數(shù)據(jù)標簽質(zhì)量：當大量的圖像被錯誤標記時，會出現(xiàn)意想不到的錯誤，因此需要提高數(shù)據(jù)標注質(zhì)量;

數(shù)據(jù)增強：讓有限的數(shù)據(jù)產(chǎn)生更多的數(shù)據(jù)，增加訓練樣本的數(shù)量以及多樣性(噪聲數(shù)據(jù))，提升模型穩(wěn)健性;

特征工程：通過改變輸入數(shù)據(jù)、先驗知識或算法向模型添加特征，常被用于機器學習，以幫助提高預測模型的準確性;

數(shù)據(jù)版本控制：開發(fā)人員通過比較兩個版本來跟蹤錯誤并查看沒有意義的內(nèi)容，數(shù)據(jù)版本控制是維護數(shù)據(jù)中最不可或缺的步驟之一，它可以幫助研究者跟蹤數(shù)據(jù)集的更改(添加和刪除)，版本控制使代碼協(xié)作和數(shù)據(jù)集管理變得更加容易;

領(lǐng)域知識：在以數(shù)據(jù)為中心的方法中，領(lǐng)域知識非常有價值。領(lǐng)域?qū)＜彝ǔ？梢詸z測到 ML 工程師、數(shù)據(jù)科學家和標注人員無法檢測到的細微差異，ML 系統(tǒng)中仍然缺少涉及領(lǐng)域?qū)＜业膬?nèi)容。如果有額外的領(lǐng)域知識可用，ML 系統(tǒng)可能會表現(xiàn)得更好。

應該優(yōu)先考慮哪一個：數(shù)據(jù)數(shù)量還是數(shù)據(jù)質(zhì)量?

需要強調(diào)的是，數(shù)據(jù)量多并不等同于數(shù)據(jù)質(zhì)量好。當然，訓練神經(jīng)網(wǎng)絡(luò)不能只用幾張圖就能完成，數(shù)據(jù)數(shù)量是一個方面，但現(xiàn)在的重點是質(zhì)量而不是數(shù)量。

如上圖所示，大多數(shù) Kaggle 數(shù)據(jù)集并沒有那么大。在以數(shù)據(jù)為中心的方法中，數(shù)據(jù)集的大小并不那么重要，并且可以使用質(zhì)量較小的數(shù)據(jù)集完成更多的工作。不過需要注意的是，數(shù)據(jù)質(zhì)量高且標注正確。

上圖中是另一種標注數(shù)據(jù)的方式，單獨或組合標注。例如，如果數(shù)據(jù)科學家 1 單獨標注菠蘿，而數(shù)據(jù)科學家 2 將其組合標注，則兩者標注的數(shù)據(jù)不兼容，導致學習算法變得混亂。因此，需要將數(shù)據(jù)標簽保持一致;如果需要單獨標注，請確保所有標注都以相同的方式進行。

上圖為吳恩達解釋了小數(shù)據(jù)集一致性的重要性

到底需要多少數(shù)據(jù)?

數(shù)據(jù)質(zhì)量不可忽視，但數(shù)據(jù)量也是至關(guān)重要的，研究者必須有足夠的數(shù)據(jù)支撐才能解決問題。深度網(wǎng)絡(luò)具有低偏差、高方差特性，我們可以預見更多的數(shù)據(jù)可以解決方差問題。但是多少數(shù)據(jù)才夠呢?目前這個問題還很難回答，不過我們可以認為擁有大量的數(shù)據(jù)是一種優(yōu)勢，但也不是必須的。

如果你采用以數(shù)據(jù)為中心的方法，請記住以下幾點：

確保在整個 ML 項目周期中數(shù)據(jù)保持一致;

數(shù)據(jù)標注保持一致;

要及時反饋結(jié)果;

進行錯誤分析;

消除噪聲樣本。

那么，我們哪里可以找到高質(zhì)量的數(shù)據(jù)集?這里推薦幾個網(wǎng)站，首先是 Kaggle：在 Kaggle 中，你會找到進行數(shù)據(jù)科學工作所需的所有代碼和數(shù)據(jù)，Kaggle 擁有超過 50,000 個公共數(shù)據(jù)集和 400,000 個公共 notebook，可以快速完成任務。

其次是 Datahub.io：Datahub 是一個主要專注于商業(yè)和金融的數(shù)據(jù)集平臺。許多數(shù)據(jù)集，例如國家、人口和地理邊界列表，目前在 DataHub 上可用。

最后是 Graviti Open Datasets：Graviti 是一個新的數(shù)據(jù)平臺，主要為計算機視覺提供高質(zhì)量的數(shù)據(jù)集。個人開發(fā)人員或組織可以輕松訪問、共享和更好地管理開放數(shù)據(jù)。

原文標題：90%論文都是以模型為中心，AI領(lǐng)域，數(shù)據(jù)和模型到底哪個重要?

文章出處：【微信公眾號：智能感知與物聯(lián)網(wǎng)技術(shù)研究所】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

審核編輯：湯梓紅