【導(dǎo)讀】模型好就能碾壓一切嗎？吳恩達(dá)潑冷水，機(jī)器學(xué)習(xí)發(fā)展80%依靠數(shù)據(jù)集的進(jìn)步！這也激起了業(yè)內(nèi)對MLOps工具鏈的關(guān)注。

機(jī)器學(xué)習(xí)的進(jìn)步是模型帶來的還是數(shù)據(jù)帶來的，這可能是一個世紀(jì)辯題。 吳恩達(dá)對此的想法是，一個機(jī)器學(xué)習(xí)團(tuán)隊(duì)80%的工作應(yīng)該放在數(shù)據(jù)準(zhǔn)備上，確保數(shù)據(jù)質(zhì)量是最重要的工作，每個人都知道應(yīng)該如此做，但沒人在乎。如果更多地強(qiáng)調(diào)以數(shù)據(jù)為中心而不是以模型為中心，那么機(jī)器學(xué)習(xí)的發(fā)展會更快。

當(dāng)去arxiv上查找機(jī)器學(xué)習(xí)相關(guān)的研究時，所有模型都在圍繞基準(zhǔn)測試展示自己模型的能力，例如Google有BERT，OpenAI有GPT-3，這些模型僅解決了業(yè)務(wù)問題的20％，在業(yè)務(wù)場景中取得更好的效果需要更好的數(shù)據(jù)。 傳統(tǒng)軟件由代碼提供動力，而AI系統(tǒng)是同時使用代碼（模型+算法）和數(shù)據(jù)構(gòu)建的。以前的工作方式是，當(dāng)模型效果不理想，我們就會去修改模型，而沒有想過可能是數(shù)據(jù)的問題。 機(jī)器學(xué)習(xí)的進(jìn)步一直是由提高基準(zhǔn)數(shù)據(jù)集性能的努力所推動的。研究人員的常見做法是在嘗試改進(jìn)代碼的同時保持?jǐn)?shù)據(jù)固定，以模型改進(jìn)為中心對模型性能的提升實(shí)際上效率是很低的。但是，當(dāng)數(shù)據(jù)集大小適中（<10,000個示例）時，則需要在代碼上進(jìn)行嘗試改進(jìn)。 ?

根據(jù)劍橋研究人員所做的一項(xiàng)研究，最重要但仍經(jīng)常被忽略的問題是數(shù)據(jù)的格式不統(tǒng)一。當(dāng)數(shù)據(jù)從不同的源流式傳輸時，這些源可能具有不同的架構(gòu)，不同的約定及其存儲和訪問數(shù)據(jù)的方式。對于機(jī)器學(xué)習(xí)工程師來說，這是一個繁瑣的過程，需要將信息組合成適合機(jī)器學(xué)習(xí)的單個數(shù)據(jù)集。 小數(shù)據(jù)的劣勢在于少量的噪聲數(shù)據(jù)就會影響模型效果，而大數(shù)據(jù)量則會使標(biāo)注工作變得很困難，高質(zhì)量的標(biāo)簽也是機(jī)器學(xué)習(xí)模型的瓶頸所在。 這番話也引起機(jī)器學(xué)習(xí)界對MLOps的重新思索。

MLOps是什么？ MLOps，即Machine Learning和Operations的組合，是ModelOps的子集，是數(shù)據(jù)科學(xué)家與操作專業(yè)人員之間進(jìn)行協(xié)作和交流以幫助管理機(jī)器學(xué)習(xí)任務(wù)生命周期的一種實(shí)踐。

與DevOps或DataOps方法類似，MLOps希望提高自動化程度并提高生產(chǎn)ML的質(zhì)量，同時還要關(guān)注業(yè)務(wù)和法規(guī)要求。 互聯(lián)網(wǎng)公司通常用有大量的數(shù)據(jù)，而如果在缺少數(shù)據(jù)的應(yīng)用場景中進(jìn)行部署AI時，例如農(nóng)業(yè)場景 ，你不能指望自己有一百萬臺拖拉機(jī)為自己收集數(shù)據(jù)。 基于MLOps，吳恩達(dá)也提出幾點(diǎn)建議：

MLOps的最重要任務(wù)是提供高質(zhì)量數(shù)據(jù)。

標(biāo)簽的一致性也很重要。檢驗(yàn)標(biāo)簽是否有自己所管轄的明確界限，即使標(biāo)簽的定義是好的，缺乏一致性也會導(dǎo)致模型效果不佳。

系統(tǒng)地改善baseline模型上的數(shù)據(jù)質(zhì)量要比追求具有低質(zhì)量數(shù)據(jù)的最新模型要好。

如果訓(xùn)練期間出現(xiàn)錯誤，那么應(yīng)當(dāng)采取以數(shù)據(jù)為中心的方法。

如果以數(shù)據(jù)為中心，對于較小的數(shù)據(jù)集（<10,000個樣本），則數(shù)據(jù)容量上存在很大的改進(jìn)空間。

當(dāng)使用較小的數(shù)據(jù)集時，提高數(shù)據(jù)質(zhì)量的工具和服務(wù)至關(guān)重要。

一致性的數(shù)據(jù)定義，涵蓋所有邊界情況，從生產(chǎn)數(shù)據(jù)中得到及時的反饋，數(shù)據(jù)集大小合適。 吳恩達(dá)同時建議不要指望工程師去嘗試改善數(shù)據(jù)集。相反，他希望ML社區(qū)開發(fā)更多MLOps工具，以幫助產(chǎn)生高質(zhì)量的數(shù)據(jù)集和AI系統(tǒng)，并使他們具有可重復(fù)性。除此之外，MLOps是一個新生領(lǐng)域，MLOps團(tuán)隊(duì)的最重要目標(biāo)應(yīng)該是確保整個項(xiàng)目各個階段的高質(zhì)量和一致的數(shù)據(jù)流。

一些MLOps的工具已經(jīng)取得了不錯的成績。 Alteryx處于自助數(shù)據(jù)分析運(yùn)動的最前沿。公司的平臺“ Designer”旨在快速發(fā)現(xiàn)、準(zhǔn)備和分析客戶的詳細(xì)信息。該工具用于易于使用的界面，用戶可以連接和清除數(shù)據(jù)倉庫。Alteryx的工具還包括空間文件的數(shù)據(jù)混合，可以將其附加到其他第三方數(shù)據(jù)。

Paxata提供自適應(yīng)的信息平臺，它具有靈活的部署和自助操作。它使分析人員和數(shù)據(jù)科學(xué)家可以收集多個原始數(shù)據(jù)集，并將它們轉(zhuǎn)換成有價值的信息，這些信息可以立即轉(zhuǎn)換為執(zhí)行模型訓(xùn)練所需要的格式。該平臺是基于所見即所得設(shè)計(jì)，具有電子表格風(fēng)格的數(shù)據(jù)展示，因此用戶無需學(xué)習(xí)新工具。此外，該平臺能夠提供算法協(xié)助以推斷所收集數(shù)據(jù)的含義。 TIBCO軟件最近在這個快速發(fā)展的領(lǐng)域中嶄露頭角。它允許用戶連接、清理、合并和整理來自不同來源的數(shù)據(jù)，其中還包括大數(shù)據(jù)存儲。該軟件使用戶可以通過簡單的在線數(shù)據(jù)整理進(jìn)行數(shù)據(jù)分析，并且提供完整的API支持，可以根據(jù)自己的個性化需求進(jìn)行更改。

網(wǎng)友表示，吳恩達(dá)老師說的太真實(shí)了！

也有網(wǎng)友表示，機(jī)器學(xué)習(xí)更像是數(shù)據(jù)分析，模型的搭建就是構(gòu)建pipelines。

責(zé)任編輯：lq