制定機(jī)器學(xué)習(xí)訓(xùn)練數(shù)據(jù)策略的6個(gè)技巧

宋茜

人工智能（AI）和機(jī)器學(xué)習(xí)（ML）如今已經(jīng)十分常見(jiàn)。AI指的是機(jī)器模仿人類進(jìn)行認(rèn)知的概念，ML是一種用于構(gòu)建AI的方法。如果AI是指計(jì)算機(jī)可以根據(jù)指令執(zhí)行一組任務(wù)，那么ML就是機(jī)器從數(shù)據(jù)中攝取、解析和學(xué)習(xí)的能力，以便更精確地完成任務(wù)。

汽車、金融、政府、醫(yī)療、零售和科技等行業(yè)的大部分管理者都已經(jīng)對(duì)ML和AI有了基本的了解。不過(guò)，并非每個(gè)人都是一個(gè)制定訓(xùn)練數(shù)據(jù)策略的專家，但這往往是實(shí)現(xiàn)ML高投資回報(bào)必要的第一步。

AI系統(tǒng)通過(guò)實(shí)例來(lái)學(xué)習(xí)，它們擁有的高質(zhì)量實(shí)例數(shù)據(jù)越多，就會(huì)學(xué)得越好。缺乏或只有低質(zhì)量的訓(xùn)練數(shù)據(jù)可能會(huì)生成不可靠的系統(tǒng)，得出錯(cuò)誤的結(jié)論、做出糟糕的決策或無(wú)法處理現(xiàn)實(shí)世界的變化，并引入或延續(xù)一些如偏見(jiàn)等問(wèn)題。

如果沒(méi)有一個(gè)良好定義的策略來(lái)收集和組織進(jìn)行訓(xùn)練、測(cè)試和優(yōu)化AI系統(tǒng)的數(shù)據(jù)，將面臨項(xiàng)目延遲、無(wú)法適當(dāng)擴(kuò)展以及被競(jìng)爭(zhēng)對(duì)手超過(guò)的風(fēng)險(xiǎn)。下面是構(gòu)建一個(gè)成功訓(xùn)練數(shù)據(jù)策略的6個(gè)技巧。

1制定訓(xùn)練數(shù)據(jù)預(yù)算

當(dāng)啟動(dòng)一個(gè)新的ML項(xiàng)目時(shí)，首先需定義要實(shí)現(xiàn)的目標(biāo)。這會(huì)讓你知道，系統(tǒng)中需要哪種類型的數(shù)據(jù)，以及需要多少“訓(xùn)練項(xiàng)”（已分類的數(shù)據(jù)點(diǎn)）。

例如，計(jì)算機(jī)視覺(jué)或圖像識(shí)別項(xiàng)目的訓(xùn)練項(xiàng)目，使用人工注釋標(biāo)記的圖像數(shù)據(jù)，用于識(shí)別圖像的內(nèi)容（樹、停車標(biāo)志、人和車等）。此外，根據(jù)正在構(gòu)建的解決方案的類型，模型可能需要不斷地重新培訓(xùn)或刷新，解決方案可能需要每季度、每月甚至每周進(jìn)行更新。

一旦確定了訓(xùn)練項(xiàng)目和更新頻率，就可以評(píng)估關(guān)于采購(gòu)數(shù)據(jù)的一些選項(xiàng)，并計(jì)算預(yù)算。

重要的是應(yīng)清楚地了解啟動(dòng)該計(jì)劃所需的時(shí)間和資金成本，隨著時(shí)間的推移對(duì)其進(jìn)行維護(hù)，并隨著業(yè)務(wù)的發(fā)展對(duì)特性和功能進(jìn)行改進(jìn)，從而使解決方案對(duì)客戶保持相關(guān)性和價(jià)值性。啟動(dòng)ML計(jì)劃是一項(xiàng)長(zhǎng)期投資。獲得高回報(bào)需要一個(gè)長(zhǎng)期的策略。

2收集適當(dāng)?shù)臄?shù)據(jù)

需要的數(shù)據(jù)類型取決于正在構(gòu)建的解決方案類型。一些數(shù)據(jù)來(lái)源包括實(shí)際使用數(shù)據(jù)、調(diào)查數(shù)據(jù)、公共數(shù)據(jù)集和合成數(shù)據(jù)。例如，一個(gè)能夠理解人類語(yǔ)音命令的語(yǔ)音識(shí)別解決方案必須針對(duì)已翻譯成文本的高質(zhì)量語(yǔ)音數(shù)據(jù)（實(shí)際數(shù)據(jù)）進(jìn)行培訓(xùn)。搜索解決方案需要由人工注釋的文本數(shù)據(jù)來(lái)告訴它哪些結(jié)果是最相關(guān)的。

ML中最常用的數(shù)據(jù)類型是圖像、視頻、語(yǔ)音、音頻和文本。在用于ML之前，必須對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行注釋或標(biāo)記，以確定它們是什么。注釋可以告訴模型如何處理每段數(shù)據(jù)。例如，如果一個(gè)虛擬助理的一條訓(xùn)練數(shù)據(jù)是某個(gè)人的錄音“多訂購(gòu)一點(diǎn)AA電池”，注釋可能會(huì)告訴系統(tǒng)在聽到“訂購(gòu)”時(shí)，與某個(gè)在線零售商處下個(gè)訂單，在聽到“AA電池”時(shí)搜索“AA電池”。

3保證數(shù)據(jù)質(zhì)量

根據(jù)任務(wù)的不同，數(shù)據(jù)注釋可能是一項(xiàng)相對(duì)簡(jiǎn)單的活動(dòng)，但是它也是重復(fù)的、耗時(shí)的，并且很難始終正確地執(zhí)行，它需要人的介入。

低數(shù)據(jù)質(zhì)量帶來(lái)的風(fēng)險(xiǎn)很高，因?yàn)槿绻鶕?jù)不準(zhǔn)確的數(shù)據(jù)訓(xùn)練模型，那么模型將會(huì)做錯(cuò)誤的事情。例如，如果訓(xùn)練一個(gè)自動(dòng)駕駛汽車的計(jì)算機(jī)視覺(jué)系統(tǒng)，將人行道的圖像錯(cuò)誤地標(biāo)記為街道，結(jié)果可能是災(zāi)難性的。事實(shí)上，糟糕的數(shù)據(jù)質(zhì)量，是阻止ML廣泛且有效使用的頭號(hào)敵人。

當(dāng)討論數(shù)據(jù)質(zhì)量時(shí)，我們談?wù)摰氖菢?biāo)簽的準(zhǔn)確性和一致性。準(zhǔn)確是一個(gè)標(biāo)簽距離事實(shí)有多近；一致性是不同訓(xùn)練項(xiàng)目上的多個(gè)注釋彼此一致的程度。

4注意并減少數(shù)據(jù)偏差

強(qiáng)調(diào)數(shù)據(jù)質(zhì)量有助于公司減輕AI項(xiàng)目中的偏見(jiàn)，這些偏見(jiàn)可能會(huì)隱藏起來(lái)，直到基于人工智能的解決方案進(jìn)入市場(chǎng)。在這一點(diǎn)上，偏見(jiàn)可能很難糾正。

偏見(jiàn)通常來(lái)自項(xiàng)目開始時(shí)項(xiàng)目團(tuán)隊(duì)或培訓(xùn)數(shù)據(jù)中的盲點(diǎn)或無(wú)意識(shí)的偏好。AI中的偏見(jiàn)可以表現(xiàn)為不同性別、口音或種族的語(yǔ)音或面部識(shí)別表現(xiàn)不均勻。隨著AI在我們的文化中變得越來(lái)越普遍，現(xiàn)在是時(shí)候解決內(nèi)在的偏見(jiàn)了。

為了避免項(xiàng)目級(jí)別的偏見(jiàn)，在建設(shè)定義目標(biāo)、路線圖、度量和算法團(tuán)隊(duì)時(shí)需要積極保證多樣性。建設(shè)一個(gè)多樣化的數(shù)據(jù)人才團(tuán)隊(duì)說(shuō)起來(lái)容易做起來(lái)難，但風(fēng)險(xiǎn)很高。如果團(tuán)隊(duì)的內(nèi)部構(gòu)成不代表潛在客戶的外部構(gòu)成，那么最終產(chǎn)品將會(huì)有只是為一小部分人工作的風(fēng)險(xiǎn)，或者對(duì)他們有吸引力，而錯(cuò)過(guò)了一個(gè)面向大眾市場(chǎng)的機(jī)會(huì)，或者更糟———偏見(jiàn)可能讓AI具備現(xiàn)實(shí)世界中的歧視。

5實(shí)施數(shù)據(jù)安全保障

并非每個(gè)數(shù)據(jù)項(xiàng)目都使用個(gè)人身份信息（PII）或者敏感數(shù)據(jù)。對(duì)于利用這類信息的解決方案，數(shù)據(jù)安全性比以往任何時(shí)候都更重要，特別是在處理客戶的PII、財(cái)務(wù)、政府記錄或者用戶生成的內(nèi)容時(shí)。越來(lái)越多的法規(guī)規(guī)定企業(yè)必須怎樣處理客戶信息。

保護(hù)這些機(jī)密數(shù)據(jù)可以保護(hù)你和你的客戶的信息。對(duì)實(shí)踐保持透明和道德準(zhǔn)則，并堅(jiān)持服務(wù)條款，這將帶來(lái)競(jìng)爭(zhēng)優(yōu)勢(shì)。不這樣做會(huì)面臨丑聞和品牌負(fù)面影響的風(fēng)險(xiǎn)。

6選擇合適的技術(shù)

訓(xùn)練數(shù)據(jù)越復(fù)雜或微妙，結(jié)果就越好。大多數(shù)組織都需要大量高質(zhì)量、快速且大規(guī)模的訓(xùn)練數(shù)據(jù)。為了實(shí)現(xiàn)這一點(diǎn)，必須構(gòu)建一個(gè)數(shù)據(jù)渠道，以更新模型所需的速度、交付足夠的數(shù)據(jù)量。這就是為什么，采用正確的數(shù)據(jù)注釋技術(shù)至關(guān)重要。

選擇的工具必須能夠?yàn)轫?xiàng)目處理適當(dāng)?shù)臄?shù)據(jù)類型，允許靈活的標(biāo)記工作流設(shè)計(jì)，可管理單個(gè)注釋器的質(zhì)量和吞吐量，并提供ML輔助的數(shù)據(jù)標(biāo)記來(lái)增強(qiáng)人工注釋器的性能。

IHS Markit的研究顯示，87 %的組織正在采用至少一種形式的變革性技術(shù)，比如人工智能，但只有26 %的組織認(rèn)為已經(jīng)具備了適當(dāng)?shù)纳虡I(yè)模式，可以從這些技術(shù)中獲取全部?jī)r(jià)值。

創(chuàng)建一個(gè)可靠的訓(xùn)練數(shù)據(jù)策略是獲取AI價(jià)值的第一步。包括設(shè)置預(yù)算、確定數(shù)據(jù)源、確保質(zhì)量和保證安全性。清晰的數(shù)據(jù)策略還有助于提供大多數(shù)ML模型定期更新所需的穩(wěn)定數(shù)據(jù)渠道。單獨(dú)的訓(xùn)練數(shù)據(jù)策略并不能保證AI的成功，但它可以幫助企業(yè)更好地利用AI帶來(lái)的紅利。