收集數據從未像現在這樣容易。只需單擊幾下，您就可以啟動并運行，配備云必須提供的所有最佳數據技術，準備好囤積所有可能的數據。很難相信就在十年前，情況發生了巨大的不同。事實上，大規模收集數據只是最大的公司的一種選擇，這些組織既能負擔得起昂貴的服務器（這是存儲所有數據的唯一可行選擇），又能負擔得起少數能夠做到最好的工程師其中，在數據科學只是一個新興領域的時代。

如今，幸運的是，生成數據不再只是一項企業運動。事實上，多虧了物聯網 (IoT)，無論好壞，我們現在都變成了小型大數據工廠。到 2020 年，一個人將負責每秒生成 1.7 MB 的數據。即使是現在，僅一輛自動駕駛汽車每天就會產生 11TB 的數據。而且這種趨勢沒有減弱的跡象。相反：它只會增長。

對于所有數據愛好者來說，這顯然是個好消息。不久前，收集高質量的數據集是一項繁重而艱巨的任務。盡管如此，我們總是想要更多。如果您的全新深度學習模型似乎“僅”達到 92% 的準確率，那么最簡單、最容易找到的借口就是指責數據?！拔业臄祿粔虼蟆保覀兟唤浶牡馗嬖V我們的老板?！暗绻覀冊俚葞讉€星期，這個模型將是你見過的最好的模型！”

這似乎提出了一個重要問題：實際上有多少數據才足夠？但它實際上提出了一個更重要的問題：多少數據太多了？

有趣的是，我們在機器學習圈中并不經常聽到這個問題，即使我們真的應該聽到。雖然大數據是一個巨大的機會，但它也是一個巨大的 40 zettabyte 責任。如果數據確實是新的石油，我們需要把類比推到極限：數據是一種極其有利可圖的資源，但也像石油一樣，需要提煉。未能克制自己不受控制的使用使我們處于危險之中。簡而言之，我們今天使用和考慮數據的方式是非常不可持續的，這一事實仍然幾乎沒有達到集體意識。

也許，只是也許，這是錯誤的對話。也許大數據畢竟不是人工智能的真正答案。

讓我們退后一步，想想我們真正收集的是什么?；氐綌底只脑缙?，數據收集確實成本更高，所以我們選擇了我們的位置。我們更負責任，更認真。隨著生成和收集數據變得越來越容易，對質量的關注越來越少，而數量成為云存儲、云計算、GPU 機器、大規模數據管理和傳輸系統等新技術的自然副產品。很快，數據變成了一種商品，但隨著數據和數據存儲的不斷升級，沒有人提出一個簡單的問題：我們為什么要收集這些？它甚至有意義嗎？

隨著模型構建的商品化，數據護城河似乎是人工智能差異化的明顯答案，但我們都錯過了大局嗎？數據時代。它變得陳舊。最終，即使我們被誘使相信數據和信息是兩個截然不同的事物，但并非所有數據都是 平等的。畢竟，一個十幾歲的少年在發到 Instagram 之前自拍了 20 張自己的照片，這肯定與可搜索的醫學文獻目錄不同。

只要我們堅信硬件的進步將使我們免受數據災難的影響，這一切似乎都不是問題。數據存儲越來越便宜，計算能力也越來越容易獲得。只有當數據的生成被工程師跟上摩爾定律的能力所抵消時，這才是真的。即使他們可以無限期地做到這一點，請考慮以下問題：如果并非所有數據都具有同等的信息性，那么處理子數據或冗余數據有什么意義？

我可以通過我的電腦屏幕聽到數百名數據科學家的聲音，他們抗議說，更大的訓練集是他們痛苦的答案。畢竟，難道幾代專家沒有一次又一次地告訴我們，數據越多越好嗎？

事實并非如此簡單。顯然，獲得高質量、足夠大的數據集是機器學習取得進展的關鍵。然而，如果醫生告訴你生病了，急需大量攝入維生素C，你難道不想認真地確定哪些食物確實含有上述維生素，而不是沖到你的廚房，吃掉你能在那里找到的每一種食物嗎？毫無疑問，吃下冰箱或食品儲藏室里的所有食物最終會讓你獲得一些急需的維生素C，但在這個過程中，你也會消耗很多空熱量。不幸的是，今天我們處理機器學習的方式似乎需要相當于營養師的干預。

這似乎是一個愚蠢的類比，但這里有一些分量。例如，認為功能更強大的GPU機器最終會讓我們擺脫困境的觀點是有嚴重缺陷的，就像認為暴飲暴食會幫助我們攝入維生素一樣。實際上，我們收集的很多數據不僅與我們試圖使用它訓練的模型冗余或無關，而且往往對這些模型有害。例如，過度增長的訓練集通常是不平衡的，可能會導致過度擬合。一些極端的異常值實際上可能會導致模型“忘卻”數據可能被錯誤標記、錯誤收集或錯誤。

這就提出了一個重要的問題：如果數據科學家最適合就哪些數據可能對模型學習更有用提供反饋，那么為什么他們仍然幾乎不參與旨在收集數據的硬件設備的設計，而且很少有機會提供數據收集過程本身的反饋？

答案實際上比最初看起來更簡單：正如營養學家根據不同客戶的獨特營養需求向他們提供不同的建議一樣，數據科學家也只能建議針對特定用例收集哪些數據。簡而言之，在訓練給定模型的背景下，信息量最大的數據實際上可能與另一個模型完全無關，這使得在源位置對數據進行不可知分類具有挑戰性。

硬件顯然無法解決所有這些問題。它無法確定哪些數據行正在降低模型的準確性。它無法弄清楚哪些是多余的。它不能重新標記錯誤的數據點。換句話說，存儲太多數據并不能解決存儲太多數據帶來的問題。我們需要專注于創建一個額外的智能層，能夠從渣滓中分類有意義的數據。我們需要開始關注那些從較小的、經過整理的數據集構建出色模型的數據科學家。我們需要明白，是的，您可以過度喂食您的模型。

數據的未來并不存在于容納每個數據點的巨大服務器場中，而不管哪些數據點實際上是有用的。它存在于小型智能數據中。它是基于數據質量及其與用例相關性的深思熟慮的方法，而不是主要基于數量的草率方法。對于我們這些沒有無休止的標簽和服務器預算的人來說，它更容易獲得。換句話說，它既更智能，也更民主。

這是我們都可以落后的。

Jennifer Prendki是 Alectio 的創始人兼首席執行官。這家公司是她相信好的模型只能用好的數據建立的直接產物，而盲目地使用越來越大的訓練集的蠻力方法是進入人工智能的障礙如此之高的原因。在創立 Alectio 之前，Jennifer 是 Figure 8 的機器學習副總裁、數據標簽的先驅、Atlassian 的首席數據科學家和沃爾瑪實驗室搜索團隊的數據科學高級經理。她擁有索邦大學粒子物理學博士學位。她最喜歡的口號是：“并非所有數據生來都是平等的”、“數據是新塑料”和“智能數據 > 大數據”。

審核編輯 黃昊宇