【中國智能制造網(wǎng) 名家論壇】用于機器學(xué)習(xí)用途的數(shù)據(jù)，其“不合理的有效性”引發(fā)了多年的廣泛爭論。也有觀點認為，制約人工智能（AI）領(lǐng)域很多重大突破的，并非算法不夠先進，而是缺乏高質(zhì)量數(shù)據(jù)集。想要開發(fā)出先進的機器學(xué)習(xí)技術(shù)，數(shù)據(jù)至關(guān)重要，這是貫穿那些討論的共同主題。　　
　　對于在業(yè)務(wù)中將機器學(xué)習(xí)作為核心技術(shù)的初創(chuàng)公司來說，能否獲得高質(zhì)量的訓(xùn)練數(shù)據(jù)極為關(guān)鍵。雖然很多算法和軟件工具都是開源和共享的，但好的數(shù)據(jù)集通常是專有的，且很難創(chuàng)建。因此，擁有針對特定領(lǐng)域的龐大數(shù)據(jù)集，能夠成為競爭優(yōu)勢的一個重要來源，尤其是在初創(chuàng)公司能夠快速引發(fā)數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)的情況下（更多的用戶→更多的數(shù)據(jù)→更智能的算法→更好的產(chǎn)品→更多的用戶）。
　　
　　所以，如何創(chuàng)建高質(zhì)量數(shù)據(jù)集以用于訓(xùn)練學(xué)習(xí)算法，這是機器學(xué)習(xí)初創(chuàng)公司必須作出的一個重要的戰(zhàn)略決定。不幸的是，在剛開始的時候，初創(chuàng)公司的標記數(shù)據(jù)常常十分有限，甚至缺失，為他們在數(shù)據(jù)驅(qū)動型產(chǎn)品的打造上取得重大進展增添了阻礙。因此，在聘請數(shù)據(jù)科學(xué)團隊或者部署昂貴的核心設(shè)施之前，有必要從一開始就研究制定好數(shù)據(jù)采集的策略。
　　
　　很多方法都可以幫助初創(chuàng)公司克服數(shù)據(jù)采集的冷啟動問題。數(shù)據(jù)策略/來源的選擇通常與商業(yè)模式的選擇、公司的關(guān)注點（消費者或企業(yè)，水平或垂直，等等）以及融資的情況息息相關(guān)。以下是五種數(shù)據(jù)采集策略，雖然并不詳盡，且多少互有重疊，但能讓你對很多可用的方法有一個直觀的感受。
　　
　　策略一：人工作業(yè)
　　
　　從零開始創(chuàng)建好的專有數(shù)據(jù)集，幾乎永遠意味著預(yù)先投入大量人力采集數(shù)據(jù)，執(zhí)行難以規(guī)?；娜斯と蝿?wù)?？啃U力開路的初創(chuàng)公司有很多。例如，很多聊天機器人初創(chuàng)公司聘請人類擔任“AI訓(xùn)練師”，讓他們手動創(chuàng)建或核實虛擬助手作出的預(yù)測（實際效果各異，且員工流動率高）。就連科技巨頭都采用這種策略：Facebook虛擬助手M的所有回答，都由一支合同工隊伍進行檢查和編輯。
　　
　　只要數(shù)據(jù)網(wǎng)絡(luò)效應(yīng)在某個時候生效，所需人力不再跟隨客戶數(shù)量同步增加，那么用蠻力來手動標記數(shù)據(jù)點的策略就能取得成功。一旦AI系統(tǒng)的進步速度夠快，不明確的異常值就會變得更少，進行手動標記的人員數(shù)量就可以減少或者保持不變。
　　
　　適用于：幾乎所有的機器學(xué)習(xí)初創(chuàng)公司
　　
　　例子：
　　
　　*很多聊天機器人初創(chuàng)公司（包括Magic、GoButler、x.ai和Clara）
　　
　　*MetaMind（手動采集和標記的食物分類數(shù)據(jù)集）
　　
　　*BuildingRadar（由員工/實習(xí)生手動標記建筑物圖片）
　　
　　策略二：縮小范圍
　　
　　大多數(shù)初創(chuàng)公司都會試圖從用戶那里直接采集數(shù)據(jù)，但問題在于，在機器學(xué)習(xí)的好處尚未全部體現(xiàn)出來之前，會很難說服早期采用者使用產(chǎn)品（因為先要有數(shù)據(jù)才能訓(xùn)練和改進算法）。避開這種兩難處境的一個方法是大幅縮小問題域（如果以后有需要再擴大范圍）?？死锼?middot;迪克森（ChrisDixon）說：“你需要的數(shù)據(jù)量與你試圖解決的問題廣度有關(guān)。”
　　
　　關(guān)于縮小范圍的好處，聊天機器人再次成為很好的例子。這個領(lǐng)域的初創(chuàng)公司可以在兩個市場進入策略之間做出選擇：一種是打造水平型虛擬助手，也就是幫助解答很多問題并響應(yīng)即時請求的機器人，例如Viv、Magic、Awesome、Maluuba和Jam；一種是打造垂直型虛擬助手，也就是力求極為出色地完成某項明確具體工作的機器人，例如x.ai、Clara、DigitalGenius、Kasisto、Meekan和近期的GoButler。雖然兩個方法都可行，但解決閉域問題的初創(chuàng)公司在數(shù)據(jù)的采集上要容易許多。
　　
　　適用于：垂直整合型公司
　　
　　例子：
　　
　　*高度專業(yè)化的垂直型聊天機器人（比如x.ai、Clara和GoButler）
　　
　　*DeepGenomics（利用深度學(xué)習(xí)技術(shù)對基因變異進行分類和解讀）
　　
　　*QuantifiedSkin（利用客戶自拍照進行皮膚分析）