模型和數據是 AI 系統的基礎，這兩個組件在模型的開發中扮演著重要的角色。

人工智能領域最權威的學者之一吳恩達曾提出「80% 的數據 + 20% 的模型 = 更好的機器學習」，他認為一個團隊研究 80% 的工作應該放在數據準備上，數據質量是重要的，但很少有人在乎。如果更多地強調以數據為中心而不是以模型為中心，機器學習會發展的更快。

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

在本文中，Android 開發者和機器學習愛好者 Harshil Patel 介紹了「機器學習：以數據為中心 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據為中心的基礎設施。

以數據為中心的方法 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，你需要保持數據相同，通過改進代碼和模型架構來提高性能。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 AI 應用都是以模型為中心的，其中一個可能的原因是學術研究非常重視 AI 領域。根據吳恩達的說法，AI 領域 90% 以上的研究論文都是以模型為中心的，因為我們很難創建大型數據集，使其成為公認的標準。因此，AI 社區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，往往會忽略數據的重要性。

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

數據驅動 VS 以數據為中心

許多人經常混淆「以數據為中心」和「數據驅動」這兩個概念。數據驅動是一種從數據中收集、分析和提取見解的方法，它有時被稱為「分析」。另一方面，以數據為中心的方法側重于使用數據來定義應該首先創建的內容；而以數據為中心的架構指的是一個系統，其中數據是主要和永久的資產。數據驅動架構意味著通過利用大量數據來創建技術、技能和環境。

對于數據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據。

然而，在當今的機器學習中，數據至關重要，但在 AI 發展中卻經常被忽視和處理不當。由于數據錯誤，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，而是來自錯誤的數據集。

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

以數據為中心的基礎架構

以模型為中心的機器學習系統主要關注模型架構優化及其參數優化。

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行業，如媒體、廣告、醫療保健或制造業。但也可能面臨如下挑戰：

• 需要高級定制系統：不同于媒體和廣告行業，許多企業無法使用單一的機器學習系統來檢測其產品的生產故障。雖然媒體公司可以負擔得起有一個完整的 ML 部門來處理優化問題，但需要多個 ML 解決方案的制造企業不能按照這樣的模板進行實施；
• 大型數據集的重要性：在大多數情況下，公司沒有大量數據可供使用。相反，他們經常被迫處理微小的數據集，如果他們的方法是以模型為中心的，那么這些數據集很容易產生令人失望的結果。

吳恩達曾在他的 AI 演講中解釋了他如何相信以數據為中心的 ML 更有價值，并倡導社區朝著以數據為中心的方向發展。他曾經舉了一個「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，而以數據為中心的方法將準確率提高了 16%。

以數據為中心的 ML 應用程序

在實施以數據為中心的架構時，可以將數據視為比應用程序和基礎架構更耐用的基本資產。以數據為中心的 ML 使數據共享和移動變得簡單。那么，在以數據為中心的機器學習到底涉及什么？在實現以數據為中心的方法時，我們應該考慮以下因素：

• 數據標簽質量：當大量的圖像被錯誤標記時，會出現意想不到的錯誤，因此需要提高數據標注質量；
• 數據增強：讓有限的數據產生更多的數據，增加訓練樣本的數量以及多樣性（噪聲數據），提升模型穩健性；
• 特征工程：通過改變輸入數據、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；
• 數據版本控制：開發人員通過比較兩個版本來跟蹤錯誤并查看沒有意義的內容，數據版本控制是維護數據中最不可或缺的步驟之一，它可以幫助研究者跟蹤數據集的更改（添加和刪除），版本控制使代碼協作和數據集管理變得更加容易；
• 領域知識：在以數據為中心的方法中，領域知識非常有價值。領域專家通常可以檢測到 ML 工程師、數據科學家和標注人員無法檢測到的細微差異，ML 系統中仍然缺少涉及領域專家的內容。如果有額外的領域知識可用，ML 系統可能會表現得更好。

應該優先考慮哪一個：數據數量還是數據質量？

需要強調的是，數據量多并不等同于數據質量好。當然，訓練神經網絡不能只用幾張圖就能完成，數據數量是一個方面，但現在的重點是質量而不是數量。

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

上圖中是另一種標注數據的方式，單獨或組合標注。例如，如果數據科學家 1 單獨標注菠蘿，而數據科學家 2 將其組合標注，則兩者標注的數據不兼容，導致學習算法變得混亂。因此，需要將數據標簽保持一致；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據集一致性的重要性

到底需要多少數據？

數據質量不可忽視，但數據量也是至關重要的，研究者必須有足夠的數據支撐才能解決問題。深度網絡具有低偏差、高方差特性，我們可以預見更多的數據可以解決方差問題。但是多少數據才夠呢？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據是一種優勢，但也不是必須的。

如果你采用以數據為中心的方法，請記住以下幾點：

• 確保在整個 ML 項目周期中數據保持一致；
• 數據標注保持一致；
• 要及時反饋結果；
• 進行錯誤分析；
• 消除噪聲樣本。

那么，我們哪里可以找到高質量的數據集？這里推薦幾個網站，首先是 Kaggle：在 Kaggle 中，你會找到進行數據科學工作所需的所有代碼和數據，Kaggle 擁有超過 50,000 個公共數據集和 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和金融的數據集平臺。許多數據集，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 是一個新的數據平臺，主要為計算機視覺提供高質量的數據集。個人開發人員或組織可以輕松訪問、共享和更好地管理開放數據。