提升數(shù)據(jù)質(zhì)量更好地滿足AI項(xiàng)目需求

　　審校 | 孫淑娟

　　開(kāi)篇

　　當(dāng)今社會(huì)，人工智能的發(fā)展成為全球企業(yè)和政府關(guān)注的重點(diǎn)。然而，與人工智能息息相關(guān)的另一個(gè)問(wèn)題卻被忽視：數(shù)據(jù)質(zhì)量差。

　　人工智能算法依賴可靠的數(shù)據(jù)來(lái)產(chǎn)生最佳結(jié)果——如果數(shù)據(jù)有偏差、不完整、不充分、甚至是不準(zhǔn)確，會(huì)導(dǎo)致毀滅性的后果。

　　識(shí)別患者疾病的人工智能系統(tǒng)便是一個(gè)很好的例子，由于數(shù)據(jù)質(zhì)量不高而導(dǎo)致不良后果。當(dāng)數(shù)據(jù)不足時(shí)，這些系統(tǒng)會(huì)產(chǎn)生錯(cuò)誤的診斷和不準(zhǔn)確的預(yù)測(cè)，從而導(dǎo)致誤診和延誤治療。例如，劍橋大學(xué)對(duì)用于診斷 Covid-19 的 400 多種工具進(jìn)行的一項(xiàng)研究發(fā)現(xiàn)，由于使用了缺陷數(shù)據(jù)集導(dǎo)致 AI 生成的報(bào)告完全無(wú)法使用。

　　換句話說(shuō)，如果數(shù)據(jù)不夠好，AI 計(jì)劃將對(duì)現(xiàn)實(shí)世界產(chǎn)生毀滅性的后果。

　　“足夠好”的數(shù)據(jù)意味著什么?

　　關(guān)于什么是“足夠好”的數(shù)據(jù)，人們一直存在巨大的爭(zhēng)論。有人說(shuō)不存在足夠好的數(shù)據(jù)。另外一些人表示“太好”的數(shù)據(jù)會(huì)導(dǎo)致分析癱瘓(譯者：應(yīng)該是指過(guò)擬合)——而 HBR 則直截了當(dāng)?shù)刂赋�，如果糟糕的信息�?huì)導(dǎo)致機(jī)器學(xué)習(xí)工具無(wú)法工作。

　　在 WinPure，將足夠好的數(shù)據(jù)定義為“完整、準(zhǔn)確、有效，可以放心地用于具有風(fēng)險(xiǎn)的業(yè)務(wù)流程中，數(shù)據(jù)水平取決于個(gè)人目標(biāo)和業(yè)務(wù)環(huán)境。”

　　大多數(shù)公司在數(shù)據(jù)質(zhì)量和治理方面飽受折磨，盡管他們都不會(huì)承認(rèn)。這種折磨不斷增加項(xiàng)目的緊張感，讓他們不堪重負(fù)，可以想象他們正在承受著部署人工智能計(jì)劃以保持競(jìng)爭(zhēng)優(yōu)勢(shì)的巨大壓力。可悲的是，像臟數(shù)據(jù)這類問(wèn)題都不可能成為董事會(huì)討論的議題，直到它導(dǎo)致項(xiàng)目失敗時(shí)才有人會(huì)關(guān)注。

　　糟糕的數(shù)據(jù)如何影響人工智能系統(tǒng)?

　　當(dāng)算法以訓(xùn)練數(shù)據(jù)為基礎(chǔ)來(lái)學(xué)習(xí)時(shí)，數(shù)據(jù)質(zhì)量問(wèn)題出現(xiàn)在流程的開(kāi)始階段。例如，如果向 AI 算法提供未經(jīng)過(guò)濾的社交媒體數(shù)據(jù)，它會(huì)抽取濫用、種族主義評(píng)論和厭惡女性的言論，如 Microsoft 的 AI 機(jī)器人所表現(xiàn)的那樣。最近，人工智能無(wú)法檢測(cè)深色皮膚的人也被認(rèn)為是訓(xùn)練數(shù)據(jù)問(wèn)題導(dǎo)致的。

　　這與數(shù)據(jù)質(zhì)量有何關(guān)系?

　　缺乏數(shù)據(jù)治理、數(shù)據(jù)質(zhì)量意識(shí)淡薄和孤立的數(shù)據(jù)視圖才是數(shù)據(jù)質(zhì)量不佳的罪魁禍?zhǔn)住?/p>

　　該怎么辦?

　　當(dāng)企業(yè)意識(shí)到數(shù)據(jù)質(zhì)量出現(xiàn)問(wèn)題時(shí)，他們會(huì)對(duì)招聘感到恐慌。通過(guò)盲目聘請(qǐng)顧問(wèn)、工程師和分析師來(lái)診斷、清理數(shù)據(jù)，希望盡快解決問(wèn)題。不幸的是，幾個(gè)月過(guò)去了，盡管花費(fèi)了數(shù)百萬(wàn)美元，但問(wèn)題似乎并沒(méi)有消失。對(duì)數(shù)據(jù)質(zhì)量問(wèn)題采取下意識(shí)的方法幾乎沒(méi)有幫助。

　　真正的改變從基層開(kāi)始。

　　如果您希望您的 AI/ML 項(xiàng)目朝著正確的方向發(fā)展，請(qǐng)采取以下三個(gè)關(guān)鍵步驟。

　　認(rèn)識(shí)并承認(rèn)數(shù)據(jù)質(zhì)量問(wèn)題

　　首先，通過(guò)建立數(shù)據(jù)素養(yǎng)文化來(lái)評(píng)估數(shù)據(jù)質(zhì)量。Bill Schmarzo 是這方面的有力代言人，他建議使用設(shè)計(jì)思維來(lái)創(chuàng)建一種文化，讓每個(gè)人都能理解并為組織的數(shù)據(jù)目標(biāo)和挑戰(zhàn)做出貢獻(xiàn)。

　　在當(dāng)今的業(yè)務(wù)環(huán)境中，數(shù)據(jù)和數(shù)據(jù)質(zhì)量不再是 IT 或數(shù)據(jù)團(tuán)隊(duì)的唯一責(zé)任。業(yè)務(wù)用戶必須意識(shí)到臟數(shù)據(jù)問(wèn)題以及不一致和重復(fù)的數(shù)據(jù)等問(wèn)題。

　　因此，首先要讓數(shù)據(jù)質(zhì)量培訓(xùn)成為受到重視的組織工作，并使團(tuán)隊(duì)能夠識(shí)別不良數(shù)據(jù)屬性。

　　通過(guò)下面的清單，您可以使用它來(lái)跟蹤數(shù)據(jù)質(zhì)量。

　　數(shù)據(jù)健康檢查表

　　如何捕獲、存儲(chǔ)和管理數(shù)據(jù)?

　　有多少數(shù)據(jù)源連接到您的中央數(shù)據(jù)庫(kù)，數(shù)據(jù)的傳播情況如何?

　　您的數(shù)據(jù)管理得如何?您是否實(shí)施了數(shù)據(jù)治理標(biāo)準(zhǔn)?有多少數(shù)據(jù)是結(jié)構(gòu)化、半結(jié)構(gòu)化或非結(jié)構(gòu)化的?

　　與自動(dòng)化數(shù)據(jù)管理相比，您在手動(dòng)修復(fù)數(shù)據(jù)上花費(fèi)了多少?在訪問(wèn)和處理數(shù)據(jù)時(shí)，您的團(tuán)隊(duì)如何相互協(xié)調(diào)?IT和業(yè)務(wù)用戶之間是否經(jīng)常發(fā)生內(nèi)部沖突?

　　您的數(shù)據(jù)質(zhì)量狀況如何?您的數(shù)據(jù)是否及時(shí)、完整、準(zhǔn)確、獨(dú)特并遵循標(biāo)準(zhǔn)化規(guī)則?

　　制定滿足質(zhì)量指標(biāo)的計(jì)劃

　　關(guān)于數(shù)據(jù)質(zhì)量問(wèn)題，企業(yè)經(jīng)常犯錯(cuò)誤。例如聘請(qǐng)數(shù)據(jù)分析師來(lái)完成日常的數(shù)據(jù)清理任務(wù)，而不是專注于計(jì)劃和戰(zhàn)略工作。一些企業(yè)在沒(méi)有計(jì)劃的情況下使用數(shù)據(jù)管理工具來(lái)清理、重復(fù)數(shù)據(jù)刪除、合并和清除數(shù)據(jù)。不幸的是，工具和人才不能孤立地解決問(wèn)題。滿足數(shù)據(jù)質(zhì)量維度的策略才是解決問(wèn)題的根本。

　　該策略必須解決數(shù)據(jù)收集、標(biāo)記、處理以及數(shù)與AI/ML 項(xiàng)目匹配的問(wèn)題。例如，如果人工智能招聘計(jì)劃只選擇男性候選人擔(dān)任技術(shù)職位，那么該項(xiàng)目的培訓(xùn)數(shù)據(jù)顯然是有偏見(jiàn)的、不完整的(沒(méi)有收集足夠的女性候選人數(shù)據(jù))和不準(zhǔn)確的。因此，這些數(shù)據(jù)不符合人工智能項(xiàng)目的真正目的。

　　對(duì)數(shù)據(jù)質(zhì)量的要求已經(jīng)超出了清理和修復(fù)數(shù)據(jù)的日常任務(wù)。所以，需要在開(kāi)始項(xiàng)目之前設(shè)置數(shù)據(jù)完整性和治理標(biāo)準(zhǔn)。它使項(xiàng)目免于陷入失敗的境地!

　　提出正確的問(wèn)題并設(shè)置問(wèn)責(zé)制度

　　對(duì)于“足夠好的數(shù)據(jù)或數(shù)據(jù)質(zhì)量水平”沒(méi)有通用標(biāo)準(zhǔn)。相反，這一切都取決于企業(yè)的信息管理系統(tǒng)、數(shù)據(jù)治理指南，以及團(tuán)隊(duì)和業(yè)務(wù)目標(biāo)的知識(shí)，甚至許多其他因素。

　　不過(guò)在啟動(dòng)項(xiàng)目之前，有幾個(gè)問(wèn)題要問(wèn)團(tuán)隊(duì)：

　　我們信息的來(lái)源是什么，數(shù)據(jù)收集的方法是什么?

　　哪些問(wèn)題會(huì)影響數(shù)據(jù)收集過(guò)程并威脅積極成果?

　　數(shù)據(jù)傳遞什么信息?它是否符合數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn)(即信息準(zhǔn)確、完全可靠和恒定)?

　　指定人員是否意識(shí)到數(shù)據(jù)質(zhì)量和低質(zhì)量的重要性?

　　是否定義了角色和職責(zé)?例如，誰(shuí)需要維護(hù)定期數(shù)據(jù)清理計(jì)劃?誰(shuí)負(fù)責(zé)創(chuàng)建主記錄?

　　數(shù)據(jù)是否符合目的?

　　提出正確的問(wèn)題、分配正確的角色、實(shí)施數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn)并幫助團(tuán)隊(duì)在問(wèn)題出現(xiàn)之前應(yīng)對(duì)挑戰(zhàn)!

　　總結(jié)

　　數(shù)據(jù)質(zhì)量不僅僅是修復(fù)錯(cuò)別字或錯(cuò)誤那么簡(jiǎn)單。它確保人工智能系統(tǒng)沒(méi)有歧視性、誤導(dǎo)性或不準(zhǔn)確性。在啟動(dòng) AI 項(xiàng)目之前，有必要解決數(shù)據(jù)中的缺陷從而應(yīng)對(duì)數(shù)據(jù)質(zhì)量的挑戰(zhàn)。此外，啟動(dòng)組織范圍內(nèi)的數(shù)據(jù)素養(yǎng)計(jì)劃，將每個(gè)團(tuán)隊(duì)與總體目標(biāo)聯(lián)系起來(lái)。