数据给AI“供能”的背后，还有这些关键问题

　　咱们前面聊了数据是AI的“粮食”，没数据AI就玩不转，但光有粮食还不够——就像咱们做饭得考虑米新不新鲜、会不会浪费，AI用数据也得解决“数据从哪儿来”“数据干不干净”“能不能随便用”这些问题。要是这些问题没处理好，就算有再多数据，AI也可能“吃坏肚子”，甚至闯祸。接下来咱们就接着唠，看看数据给AI“供能”的背后，还有哪些不得不说的关键事儿。

　　一、数据从哪儿来？AI的“粮食”不是天上掉的

　　很多人可能觉得“AI用的数据，随便找一找就有”，但其实不是——要收集到足够多、足够相关的数据，可不是件容易事儿，得靠不同的“渠道”去“找米”，而且每个渠道都有自己的门道。

　　最常见的一种渠道，是咱们“主动给的”。比如你用社交软件发朋友圈、发评论，用购物APP下单、收藏商品，用导航软件查路线、记常用地址，这些行为都会产生数据，而平台会把这些数据收集起来，用来训练AI。就像你在外卖平台点了几次奶茶，平台收集到“你爱喝三分糖、去冰的奶茶”这个数据，AI就能给你推荐同类型的新品；你在短视频APP上总给宠物视频点赞，平台收集到这个数据，AI就会多推宠物内容给你。这些数据都是咱们在使用软件时，不知不觉“贡献”出去的，也是AI数据的重要来源。

　　还有一种渠道，是“专业团队专门采的”。比如要做一个能识别农作物病虫害的AI，光靠用户上传的照片不够——得有农业领域的团队，去田间地头拍不同作物（小麦、水稻、玉米）、不同病虫害（蚜虫、白粉病、锈病）的照片，而且得拍清楚病变部位、不同发病阶段的样子，还得标注好“这是小麦蚜虫病”“这是水稻白粉病”。这种数据专业性强，要求高，不能随便凑数，得花大量时间和人力去采集。之前有个做医疗AI的团队，为了训练AI识别肺癌，花了3年时间，从全国几十家医院收集了十几万张肺部CT影像，还得让医生一张张标注“这是良性结节”“这是早期肺癌”，可见多不容易。

　　另外，还有“公开数据集”可以用。行业里有些机构会整理好数据，免费或低价开放给大家用，比如咱们之前提到的IgeNet，还有用于自然语言处理的“中文维基百科数据集”、用于语音识别的“Coon Voice数据集”。这些数据集就像“公共粮仓”，AI开发者不用自己从头收集，能省不少事。但这类数据集也有缺点——可能不够“贴合具体需求”，比如公开的语音数据集大多是标准普通话，要是想做一个针对某地方言的语音AI，还得自己额外收集方言数据。

　　总之，AI的“粮食”不是天上掉的，要么是咱们用户在使用中“贡献”的，要么是专业团队辛苦采集的，要么是从公开渠道获取后再加工的。每一份数据背后，都有不少人力和时间的投入。

　　二、数据得“干净”：不然AI会“学歪”

　　咱们做饭的时候，米要是有虫、有石子，得先淘干净才能煮，不然煮出来的饭没法吃；AI用数据也一样，得先把数据“洗干净”，要是数据里有错误、有杂质，AI学了之后就会“学歪”，做事情出错。

　　啥是“不干净”的数据？比如数据里有“错误标注”——本来是猫的图片，却标成了狗；本来是“用户不
　　http://www.paoshu5.cc/book/46178/48.html

　　请记住本书首发域名：http://www.paoshu5.cc。泡书网手机版阅读网址：http://m.paoshu5.cc