编辑导语:在所有产品类型中,AI产品是市场上较为吃香的。在AI产品领域,数据的准备工作是开始正式工作之前同样重要的一部分。那么,该如何做好数据准备工作呢?

所有的产品类型中,估计AI产品是最吃数据的了,要训练模型必须喂养大量的数据,2020 年 6 月 9 日,一款颅内肿瘤核磁共振影像辅助诊断软件获得了中国药监局审批,拿到了影像辅助诊断领域的首张 III 类医疗器械证。

这套人工智能软件对脑肿瘤的诊断准确率超过 90%,对其中常见类型的诊断准确率达到 96%。训练这款软件的算法模型喂养了上百万份影像病例,海量数据、强大算力以及高分辨率,让人工智能归纳出来的一套新经验,使得它在影像诊断领域取得突破的基础。

可以这么说,在AI产品领域,数据、算法、算力三分天下,同样重要,数据的准备工作是开始产品设计和开发的必要的前期工作。

数据准备工作主要包括两个部分,第一是数据收集,第二是数据清洗。

一、数据收集

数据收集顾名思义,就是收集训练所需的数据,比如说,我要做一个人脸识别的模型,那么肯定是要收集人脸数据,我要做个对话机器人系统,肯定要收集语料数据,我要做个有无佩戴安全帽识别,肯定要收集人带安全帽的数据。

我要做个宠物狗的品类识别模型,就要收集各种狗的图像数据,并分类存储。

数据收集简而言之,就是把数据分类存储好的过程,就像是我们做法,先去买菜的过程,并把菜分类存储好的过程。

目前,数据收集主要有三个来源,分别是数据服务商采购、公开网络收集、内部数据。

数据提供商提供的数据一般质量都比较好,数据比较大。可以直接拿来做模型训练工作。只不过这类数据一般价格比较高。

而且这类数据的类型一遍是通用型,对于一些小品类,垂直领域的的数据服务商一般没有。例如下面这些,是一家外部提供商提供的数据。

网络公开的数据比较好理解,就比如训练提问意图,需要大量的提问意图的短句,这时候可以从知乎爬取。因为知乎是个问答平台。

第三种内部数据,也比较好理解,如果有内部数据肯定是先用内部数据,他的获取成本最低,还有就是一些小众垂直领域,外部无法获取也只能从内部获取。

例如疫情初期,北京肿瘤医院新冠肺炎智能识别是基于5000多个病例的 CT 影像样本数据,学习训练样本的病灶纹理,研发了全新的AI算法模型,可在20秒内快速完成新冠肺炎影像的分析,分析结果准确率达96%。这些CT影像就属于内部数据。

二、数据清洗

数据收集完成之后还不能直接拿来用,需要做数据清洗,把这些数据变成可用的数据。这就好比从菜市场买完菜之后做洗菜和切菜的过程。

数据清洗主要是清洗三类数据:

数据缺失解决办法大体分为两种,第一种是直接删除,第二种是做填补。

数据格式不统一比较好解决,直接做归一化处理就好。

存在异常值的情况,只需要找到异常值,并剔除掉就好。针对不同的数据的异常值找到方法也不尽相同。例如某学校3万人体检,手工录入每个人体重,可以用3σ定律检验可找出录入错误数据。

三、总结

数据收集和数据清洗工作在整个建模过程中很重要,数据的好坏直接影响最后模型的准确性。但是数据收集和数据清洗是个苦活,过程繁琐并且技术含量不高,需要AI产品经理和算法工程师一起完成,这块会花费比较多的时间,一定要有耐心和细心。

#专栏作家#

老张,人人都是产品经理专栏作家。AI产品经理,专注于自然语言处理和图像识别领域。现智能保险创业公司合伙人,希望与人工智能领域创业者多多交流。