面向數(shù)據(jù)的人工智能可以有助于減少生成式AI系統(tǒng)中的幻覺和偏見，從而提高其輸出質(zhì)量。

譯自The Paradigm Shift from Model-Centric to Data-Centric AI，作者 Rahul Pradhan 擁有16年以上的經(jīng)驗(yàn)，目前擔(dān)任Couchbase的產(chǎn)品和戰(zhàn)略副總裁。

隨著變壓器神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks，GAN)人工智能(artificial intelligence，AI)的進(jìn)步，當(dāng)前正在出現(xiàn)一次當(dāng)代科技領(lǐng)域最大的變革。這些技術(shù)同時(shí)也具有解鎖創(chuàng)新和規(guī)模化創(chuàng)造力的潛力。

隨著AI開發(fā)的演變，數(shù)據(jù)成為至關(guān)重要的要素。數(shù)據(jù)是推動(dòng)機(jī)器學(xué)習(xí)項(xiàng)目的生命線，將單純的概念轉(zhuǎn)化為可執(zhí)行的見解。然而，在AI項(xiàng)目中有效利用數(shù)據(jù)的道路上充滿挑戰(zhàn)，這些挑戰(zhàn)會(huì)阻礙AI的采用并實(shí)現(xiàn)轉(zhuǎn)型價(jià)值。

為增強(qiáng)AI開發(fā)，一個(gè)范式的轉(zhuǎn)變正在出現(xiàn)，即從以模型為中心向以數(shù)據(jù)為中心的AI轉(zhuǎn)型。這種轉(zhuǎn)變可以顯著幫助減少生成對(duì)抗網(wǎng)絡(luò)系統(tǒng)中的幻覺和偏見。關(guān)注以數(shù)據(jù)為中心的AI，并將模型更接近數(shù)據(jù)，將改善AI模型的輸出，并使企業(yè)能夠發(fā)掘其全部潛力。

以模型為中心的AI方法

以模型為中心的AI方法是機(jī)器學(xué)習(xí)發(fā)展的傳統(tǒng)方式。它涉及迭代改進(jìn)模型的性能，目的是為給定的數(shù)據(jù)集產(chǎn)生最佳的模型。研究人員和工程師花費(fèi)大量時(shí)間微調(diào)模型的參數(shù)、層數(shù)和其他架構(gòu)元素。然而，由于歷史上構(gòu)建和微調(diào)模型非常復(fù)雜和資源密集，需要深厚的專業(yè)知識(shí)才能產(chǎn)生有意義的輸出，因此數(shù)據(jù)往往被視為次要的。

向以數(shù)據(jù)為中心的AI轉(zhuǎn)型

相比之下，以數(shù)據(jù)為中心的方法改進(jìn)了模型訓(xùn)練所基于的數(shù)據(jù)質(zhì)量。它包括數(shù)據(jù)清理、增強(qiáng)和確保數(shù)據(jù)能代表模型將要部署的真實(shí)世界場(chǎng)景。

隨著人工智能(AI)模型的成熟、多樣化和復(fù)雜性的擴(kuò)展，組織應(yīng)著力提升數(shù)據(jù)質(zhì)量，并在模型和數(shù)據(jù)之間建立更緊密的聯(lián)盟。在這種不斷發(fā)展的敘事中，進(jìn)行必要而明確的轉(zhuǎn)變是非常重要的:將模型更接近數(shù)據(jù)，而不是將數(shù)據(jù)傳輸?shù)侥Ｐ汀Ｆ浣Y(jié)果是提高了模型輸出質(zhì)量，并減少了經(jīng)常困擾AI系統(tǒng)的幻覺。以數(shù)據(jù)為中心的AI方法是組織的基石，這些組織希望提供以最新數(shù)據(jù)為基礎(chǔ)的生成的和預(yù)測(cè)的體驗(yàn)。

盡管以數(shù)據(jù)為中心的AI是未來發(fā)展的方向，但以模型為中心的AI仍然發(fā)揮著關(guān)鍵作用。它在數(shù)據(jù)有限或目標(biāo)是探索模型復(fù)雜性和性能極限的場(chǎng)景下尤為重要。它對(duì)推進(jìn)AI研究前沿以及高質(zhì)量數(shù)據(jù)可能不容易獲得的解決方案至關(guān)重要。

用數(shù)據(jù)為中心思維重新構(gòu)想AI

通過轉(zhuǎn)變?yōu)榇_保數(shù)據(jù)質(zhì)量和相關(guān)性的以數(shù)據(jù)為中心的AI方法，組織可以獲得以下好處:

通過提高數(shù)據(jù)質(zhì)量來橋接現(xiàn)實(shí)

以數(shù)據(jù)為中心方法的典型優(yōu)勢(shì)之一是能夠提供與真實(shí)世界場(chǎng)景緊密結(jié)合的體驗(yàn)。與模型往往在低質(zhì)量數(shù)據(jù)的謬誤中掙扎的以模型為中心方法不同，以數(shù)據(jù)為中心的人工智能(AI)力求彌合AI模型與其試圖導(dǎo)航的動(dòng)態(tài)現(xiàn)實(shí)之間的鴻溝。

減輕幻覺的陰影

AI幻覺主要是由缺陷數(shù)據(jù)造成的，其特征是生成不正確或虛構(gòu)的信息。轉(zhuǎn)向以數(shù)據(jù)為中心的方法可以增強(qiáng)減少這些錯(cuò)誤的可能性。在更干凈、更具代表性的數(shù)據(jù)集上訓(xùn)練模型會(huì)產(chǎn)生更準(zhǔn)確、更可靠的輸出。

釋放預(yù)測(cè)和生成AI的全部潛力

在高質(zhì)量數(shù)據(jù)的堅(jiān)實(shí)基礎(chǔ)上，組織可以釋放AI預(yù)測(cè)和生成能力的全部譜系。這種轉(zhuǎn)變使AI更能夠解釋現(xiàn)有的數(shù)據(jù)模式，同時(shí)也可以生成新的見解和體驗(yàn)，培育創(chuàng)新和明智決策的文化。

以數(shù)據(jù)引領(lǐng)AI演進(jìn)的未來

從以模型為中心向以數(shù)據(jù)為中心的人工智能(AI)方法轉(zhuǎn)型，代表了一種基本的思維方式的改變。這是將數(shù)據(jù)置于AI變革之旅的核心。這種轉(zhuǎn)變不僅僅是一種技術(shù)調(diào)整，而是一種概念上的重新校準(zhǔn)，將數(shù)據(jù)置于AI的核心。在組織走上這條道路的過程中，他們必須培育一個(gè)強(qiáng)大的數(shù)據(jù)基礎(chǔ)設(shè)施，培養(yǎng)數(shù)據(jù)素養(yǎng)，并營(yíng)造一種重視數(shù)據(jù)的文化，將數(shù)據(jù)視為AI承諾的基石。

融合兩者的優(yōu)勢(shì)

構(gòu)建強(qiáng)大的AI解決方案需要對(duì)何時(shí)強(qiáng)調(diào)數(shù)據(jù)和關(guān)注模型創(chuàng)新進(jìn)行細(xì)致的理解。平衡運(yùn)用以模型為中心和以數(shù)據(jù)為中心AI的優(yōu)勢(shì)，對(duì)解決當(dāng)今的AI挑戰(zhàn)至關(guān)重要，這樣組織才能從AI項(xiàng)目中獲得最大價(jià)值。為了幫助確保AI模型是在最新的數(shù)據(jù)上開發(fā)的，并且準(zhǔn)確可靠，組織必須接受向以數(shù)據(jù)為中心的AI轉(zhuǎn)型。