斯坦福李飞飞团队新研究登 Nature 子刊：实现可信 AI，数据的设计、完善、评估是关键(5)

目前大多数 AI 研究项目只开发一次数据集，但现实世界的 AI 用户通常需要不断更新数据集和模型。 持续的数据开发将带来以下挑战： 首先， 数据和 AI 任务都可以随着时间的推移而变化 ：例如，可能道路上出现了一种新的车辆模型（即领域转移），或者可能 AI 开发人员想要识别一种新的对象类别（例如，不同于普通公交车的校车类型），这就会改变标签的分类。而将扔掉数百万小时的旧标签数据十分浪费，所以更新势在必行。此外，培训和评估指标应该经过精心设计后用来权衡新数据，并为每个子任务使用适当的数据。 其次， 为了持续获取和使用数据，用户将需要自动化大部分以数据为中心的 AI 过程。 这种自动化包括使用算法来选择将哪些数据发送给标注器，以及如何使用它来重新训练模型，并且只在过程出现错误时（例如，准确度指标下降时）才向模型开发人员发出警报。作为“MLOps（Machine Learning Operations，机器学习操作）”趋势的一部分，业界公司开始使用工具来实现机器学习生命周期的自动化。 版权声明 转自AI科技评论，版权属于原作者，仅用于学术分享