在最近一次的AI項目中，我輕松地花費了60％的時間來獲取，捕獲，清理，導(dǎo)入數(shù)據(jù)并將其放置在訓(xùn)練系統(tǒng)可以使用的地方。正如很多業(yè)內(nèi)人士所知，人工智能是垃圾輸入，垃圾輸出的最純粹的例子。最糟糕的例子是：有時你問到某人最喜歡的食物是什么，直到AI回答了“鐵砧”，你才意識到這句話的一樣。
那么，可以采取哪些措施來提高AI開發(fā)的質(zhì)量？這是我今天建議構(gòu)建一流的AI系統(tǒng)的建議：
依靠同行評審的創(chuàng)新。使用AI并經(jīng)過深思熟慮的研究支持的公司（最好是經(jīng)過學(xué)術(shù)界同行評審）顯示出最大的進(jìn)步。但是，這種檢查不應(yīng)隨算法而停止。對數(shù)據(jù)也應(yīng)進(jìn)行同樣的嚴(yán)格分析。為此，我最近向一家風(fēng)險投資公司建議，如果對預(yù)期投資進(jìn)行的盡職調(diào)查過程顯示出算法質(zhì)量與初創(chuàng)企業(yè)使用的數(shù)據(jù)質(zhì)量之間存在巨大差異，則應(yīng)繼續(xù)投資進(jìn)行下去。為什么？因為差距是主要的危險信號。
正確組織數(shù)據(jù)。每天都會產(chǎn)生大量數(shù)據(jù)。但是要記住，學(xué)習(xí)數(shù)據(jù)與生產(chǎn)數(shù)據(jù)是不同的，并且當(dāng)你從訓(xùn)練環(huán)境過渡到生產(chǎn)環(huán)境時，必須穩(wěn)定數(shù)據(jù)。因此，利用內(nèi)聚的內(nèi)部數(shù)據(jù)模型至關(guān)重要，特別是如果AI是根據(jù)最新的“數(shù)據(jù)驅(qū)動”體系結(jié)構(gòu)與“模型驅(qū)動”系統(tǒng)構(gòu)建的。沒有凝聚力的系統(tǒng)，您就容易遭受災(zāi)難。正如一位首席執(zhí)行官最近告訴我的那樣，必須放棄一年的發(fā)展，因為他的公司沒有正確配置其訓(xùn)練數(shù)據(jù)。
使生產(chǎn)環(huán)境中的一切自動化。這與組織起來是齊頭并進(jìn)的，但是需要分別進(jìn)行標(biāo)注。從研究實驗室過渡到生產(chǎn)環(huán)境，無論您要構(gòu)建哪種系統(tǒng)，都需要一個完全自動化的解決方案。大數(shù)據(jù)和物聯(lián)網(wǎng)系統(tǒng)成熟的好處之一是，構(gòu)建這樣的解決方案是開發(fā)AI系統(tǒng)的相對簡單的部分。但是，如果沒有完全的自動化，學(xué)習(xí)、生產(chǎn)中的錯誤以及對人力資源的壓力會使缺陷更加復(fù)雜，并使修復(fù)工作極為困難。
選擇質(zhì)量勝于數(shù)量。如今，數(shù)據(jù)科學(xué)家發(fā)現(xiàn)自己處在收集大量數(shù)據(jù)質(zhì)量糟糕的情況下。一個例子是臨床遺傳學(xué)，其中用于分析基因序列變異的數(shù)據(jù)源是如此不一致，以至于已經(jīng)建立了“數(shù)據(jù)庫數(shù)據(jù)庫”系統(tǒng)來理解數(shù)據(jù)集。例如，在基因分析系統(tǒng)中，經(jīng)常使用200多個單獨的數(shù)據(jù)庫。銀行經(jīng)常必須至少從15個外部系統(tǒng)中提取數(shù)據(jù)。沒有選擇和選擇數(shù)據(jù)的系統(tǒng)性基礎(chǔ)，數(shù)據(jù)中的任何差異都會影響AI系統(tǒng)的效率。
擴(kuò)展數(shù)據(jù)（這很難做到）。鑒于我之前對大數(shù)據(jù)和物聯(lián)網(wǎng)的評論，您可能會認(rèn)為擴(kuò)展數(shù)據(jù)管理很容易獲得。但是你會錯的。這是因為一旦清除了前面的四個步驟，您最終可能會得到非常小的相關(guān)樣本集。在某些應(yīng)用中，一個小的數(shù)據(jù)集可能代表一個好的開始。但是，這在AI系統(tǒng)中并不可行。確實，您是否想在小型數(shù)據(jù)庫上接受訓(xùn)練后，將諸如自動駕駛汽車或個性化抗癌藥之類的AI程序放到野外？
總體而言，上述注意事項代表了一些基本出發(fā)點，可確保你將數(shù)據(jù)保持在與AI相同的標(biāo)準(zhǔn)下。
