【導讀】模型好就能碾壓一切嗎？吳恩達潑冷水，機器學習發(fā)展80%依靠數(shù)據(jù)集的進步！這也激起了業(yè)內(nèi)對MLOps工具鏈的關(guān)注。

機器學習的進步是模型帶來的還是數(shù)據(jù)帶來的，這可能是一個世紀辯題。 吳恩達對此的想法是，一個機器學習團隊80%的工作應該放在數(shù)據(jù)準備上，確保數(shù)據(jù)質(zhì)量是最重要的工作，每個人都知道應該如此做，但沒人在乎。如果更多地強調(diào)以數(shù)據(jù)為中心而不是以模型為中心，那么機器學習的發(fā)展會更快。

當去arxiv上查找機器學習相關(guān)的研究時，所有模型都在圍繞基準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)務問題的20％，在業(yè)務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。 機器學習的進步一直是由提高基準數(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代碼的同時保持數(shù)據(jù)固定，以模型改進為中心對模型性能的提升實際上效率是很低的。但是，當數(shù)據(jù)集大小適中（<10,000個示例）時，則需要在代碼上進行嘗試改進。 ?

根據(jù)劍橋研究人員所做的一項研究，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。對于機器學習工程師來說，這是一個繁瑣的過程，需要將信息組合成適合機器學習的單個數(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)量則會使標注工作變得很困難，高質(zhì)量的標簽也是機器學習模型的瓶頸所在。 這番話也引起機器學習界對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)科學家與操作專業(yè)人員之間進行協(xié)作和交流以幫助管理機器學習任務生命周期的一種實踐。

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)的應用場景中進行部署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為自己收集數(shù)據(jù)。 基于MLOps，吳恩達也提出幾點建議：

MLOps的最重要任務是提供高質(zhì)量數(shù)據(jù)。

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

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。

如果訓練期間出現(xiàn)錯誤，那么應當采取以數(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空間。

當使用較小的數(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性。除此之外，MLOps是一個新生領(lǐng)域，MLOps團隊的最重要目標應該是確保整個項目各個階段的高質(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)分析運動的最前沿。公司的平臺“ Designer”旨在快速發(fā)現(xiàn)、準備和分析客戶的詳細信息。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)行模型訓練所需要的格式。該平臺是基于所見即所得設計，具有電子表格風格的數(shù)據(jù)展示，因此用戶無需學習新工具。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行更改。

網(wǎng)友表示，吳恩達老師說的太真實了！

也有網(wǎng)友表示，機器學習更像是數(shù)據(jù)分析，模型的搭建就是構(gòu)建pipelines。

責任編輯：lq