90％论文都是以模型为中心，AI领域，数据和模型到底哪个重要？( 二 ) 选自neptune.ai作者：HarshilPatel机

以数据为中心的基础架构
以模型为中心的机器学习系统主要关注模型架构优化及其参数优化。

文章图片
以模型为中心的ML应用程序
上图中描述的是以模型为中心的工作流适用于少数行业，如媒体、广告、医疗保健或制造业。但也可能面临如下挑战：
需要高级定制系统：不同于媒体和广告行业，许多企业无法使用单一的机器学习系统来检测其产品的生产故障。虽然媒体公司可以负担得起有一个完整的ML部门来处理优化问题，但需要多个ML解决方案的制造企业不能按照这样的模板进行实施；
大型数据集的重要性：在大多数情况下，公司没有大量数据可供使用。相反，他们经常被迫处理微小的数据集，如果他们的方法是以模型为中心的，那么这些数据集很容易产生令人失望的结果。
吴恩达曾在他的AI演讲中解释了他如何相信以数据为中心的ML更有价值，并倡导社区朝着以数据为中心的方向发展。他曾经举了一个「钢铁缺陷检测」的例子，其中以模型为中心的方法未能提高模型的准确率，而以数据为中心的方法将准确率提高了16% 。

文章图片
以数据为中心的ML应用程序
在实施以数据为中心的架构时，可以将数据视为比应用程序和基础架构更耐用的基本资产。以数据为中心的ML使数据共享和移动变得简单。那么，在以数据为中心的机器学习到底涉及什么？在实现以数据为中心的方法时，我们应该考虑以下因素：
数据标签质量：当大量的图像被错误标记时，会出现意想不到的错误，因此需要提高数据标注质量；
数据增强：让有限的数据产生更多的数据，增加训练样本的数量以及多样性（噪声数据），提升模型稳健性；
特征工程：通过改变输入数据、先验知识或算法向模型添加特征，常被用于机器学习，以帮助提高预测模型的准确性；
数据版本控制：开发人员通过比较两个版本来跟踪错误并查看没有意义的内容，数据版本控制是维护数据中最不可或缺的步骤之一，它可以帮助研究者跟踪数据集的更改（添加和删除），版本控制使代码协作和数据集管理变得更加容易；
领域知识：在以数据为中心的方法中，领域知识非常有价值。领域专家通常可以检测到ML工程师、数据科学家和标注人员无法检测到的细微差异， ML系统中仍然缺少涉及领域专家的内容。如果有额外的领域知识可用， ML系统可能会表现得更好。
应该优先考虑哪一个：数据数量还是数据质量？
需要强调的是，数据量多并不等同于数据质量好。当然，训练神经网络不能只用几张图就能完成，数据数量是一个方面，但现在的重点是质量而不是数量。

文章图片
如上图所示，大多数Kaggle数据集并没有那么大。在以数据为中心的方法中，数据集的大小并不那么重要，并且可以使用质量较小的数据集完成更多的工作。不过需要注意的是，数据质量高且标注正确。

文章图片
上图中是另一种标注数据的方式，单独或组合标注。例如，如果数据科学家1单独标注菠萝，而数据科学家2将其组合标注，则两者标注的数据不兼容，导致学习算法变得混乱。因此，需要将数据标签保持一致；如果需要单独标注，请确保所有标注都以相同的方式进行。