What is Data Cleaning? - Data Wranging with MongoDB
 |
飛速發展的人工智慧產業，很容易讓人看到技術售賣和行業迭代中的商業潛力。無論是巨頭還是新晉獨角獸，顯然都在盡力提速，生怕掉隊。但如此高的產業發展速度，事實上也催生了大量新的需求。這就像汽車的發展雖然盤活了交通運輸，同時也催生了修車業的海量工作機會。
對於人工智慧來說，這一類的機會有很多，比如說：數據清洗。
熟悉大數據的朋友應該對數據清理不會陌生，而在以機器學習為主要手段的AI爆發中，數據清洗也有了更重要的價值和愈發豐富的剛性需求。
很多AI創業者，可能忽略了這一環節帶來的成本負荷和產能影響。
什麼是數據清洗
按照慣例，咱們還是先來簡單介紹一下什麼是數據清洗。
數據清洗(Data cleaning)是大數據生產過程中的必須環節。我們知道，大數據發生效用，來自於數據倉庫對大數據的吞吐。但假如輸入了錯誤或者無效的數據，那麼輸出時就會影響效果、產生誤差，甚至造成bug。這些無效和錯誤的數據，被稱為「髒數據」。而數據清洗顧名思義，就是要用各種手段把髒數據標記並清理出來。
數據清洗包涵多種目標和手段，比如檢查數據一致性、處理無效值、辨識數據衝突等等。並且整個過程包括多重審查、校驗與標注。
我們採訪過的很多大數據機構和雲服務公司負責人都證實了這樣的說法：數據清洗是成本消耗最嚴重的工作之一。
這項原本就非常吃重的工作，在人工智慧潮中地位也跟著水漲船高了
舉個例子：AI中的數據清洗為何重要
在今天的主流AI工程化進程裡，機器學習是最廣泛使用的技術。而目前機器學習的主要實現手段是監督學習。
所謂監督學習，是由研發者使用已知數據集，讓智慧體基於標記的輸入和輸出數據進行推理，從而學習到達成目標的路徑，讓自己不斷「聰明起來」。
理論上來說，智慧體學習的數據越多就會越聰明，從而再生產出優質數據進行再學習，這樣就可以不斷完成自我進化。但這種最優狀況，是建立在機器學習的數據都沒錯的情況下，假如其中混雜了錯誤數據，那麼學習得出的結果顯然也是錯的。
更重要的是，機器學習想要達成，必須建立在數據的一致性和體系化基礎上，假如錯誤數據造成了整個數據鏈的割裂，那麼機器學習過程也將終止，就無從談什麼人工智能了。
舉一個我們熟悉的例子：我們最常用的手機電商中，其實安插了大量機器學習算法來進行個性推薦。因為手機的螢幕顯示量很小，假如推送的電商資訊大多不符合用戶期待，用戶需要一直向下尋找，那麼體驗會很差，也影響電商體系的效率。這裡就需要機器學習，來建立用戶個性化推薦模型，提供多種行為下的商品排序特徵。
這個場景中的機器學習，必須建立在優質大數據的基礎上，既要學習目標用戶的數據樣本，也要綜合群體性數據和標籤化數據，進行綜合任務學習。
而電商平台獲取的數據，包括用戶群的點擊、搜索、購物車添加和收藏，以及最終的購買頻次等等。但這些數據中可能摻雜大量的「髒數據」。
而電商平台獲取的數據，包括用戶群的點擊、搜索、購物車添加和收藏，以及最終的購買頻次等等。但這些數據中可能摻雜大量的「髒數據」。
比如說用戶點擊後馬上退出來，可能說明是錯誤點擊行為；比如說用戶搜索的關鍵詞中，含有錯別字或者不可知內容；比如說用戶購買後，卻普遍差評的商品，這些數據被機器學習後成為邏輯依據，轉而推薦給用戶，顯然是不合適的。
這裡就需要把電商數據系統中的缺漏數據、重複數據、錯誤數據剔除出去，保證機器學習內容的標準化和特徵一致化。這之後剩下的優質數據，才能提供給模型進行訓練。
由此可見，數據清洗在人工智慧的落地實現中，是非常重要的一環。訓練用的數據越多、訓練模型越複雜，對數據清洗的工作需求量就越大。
假如人工智慧飛速發展，數據清洗作為配圖服務工種，卻沒有跟上發展速度，那後果是很可怕的——想想《機器人總動員》裡的小機器人，獨自在垃圾星球中孤獨而無盡的清理著。可以說是很可憐了……
數據清洗中也是亟待AI拯救的行業
這裡說個題外話。如上所述，數據清理是個人工需求繁重、成本極高的工作種類，而且主要是和數據打交道。換句話說，這個工作具備進行人工智慧升級的各種要素。
事實上，AI+數據清洗已經被廣泛關注和討論。目前最主要的結合方式有幾種：
第一種是用機器學習技術，訓練智慧體學習數據清洗的邏輯，從而優化數據清洗中的人工與機器工作分配比重。讓一些人工分類、篩選和標注工作能夠被機器執行，甚至準確率更高。
第二種是結合貝葉斯分類算法。貝葉斯分類是一種利用概率統計知識進行分類的算法，特徵是分類準確率高、速度快，適合快速佈署在數據歸納與統計當中。利用貝葉斯相關算法和技術，進行良性數據和臟數據的區分，也在成為數據清洗的重要手段之一。
此外，其他利用文本辨識算法，與辨識技術的AI能力，來進行數據清洗的嘗試也在逐漸增多。比如決策樹、隨機森林的算法，都有根據特徵判斷不良數據的能力。算法辨識主要可以增強特定領域的數據分析能力，更快投入實際應用。
（數據清洗的基本流程，其中AI主要作用於清洗邏輯環節）
但從現階段的情形看，二者結合任重道遠。
缺口嚴重：AI配套服務產業的普遍現狀
不僅是數據清洗行業，廣泛來看，多種服務於AI硬體、數據和應用體系的配套產業發展，都還遠遠不能達標。這點也是美國整個AI產業結構優於中國的重要環節，當然，即便是在美國，AI產業的發展，與配套服務產業的建設速度，也是不協調的。
目前來看這可能還不會形成巨大問題，但如果AI創業開始全面提速，個性化需求開始激增，那麼配套設施的落後很可能成為行業的限制。
以針對AI產業的數據清洗為例，目前這個行業主要是面對大公司和集團企業服務，依舊保持著重度人工投入的勞動密集型特徵。如果需求開始碎片化，服務成本很可能快速提升，成為創業者的成本負擔。
其次，AI數據清洗服務相對集中的產業邏輯，也讓適應創業企業的服務方案變成了稀缺品。一家以垂直領域AI為創業目標的公司，很難找到適合的數據清洗服務。從而不得不獨立搭設數據服務部門，消耗大量精力和人力，也提升了「重新發明輪子」的創業門檻。
另外，傳統雲計算服務的數據清洗邏輯，和人工智慧的結合程度不夠高，也限制了新的算法、模型投入使用時數據服務的跟蹤服務能力。讓很多技術創意較強或者海外引進的技術，在實踐中無法佈署。
數據層面的AI配套服務，主要集中在巨頭手中，對創業群體而言障礙極多。當然這也可能是個新的創業機遇。把巨頭獨佔的AI能力開放和訂製化，很可能是AI企業服務中最大的機會之一。
AI是一座金字塔型的商業建築。當然我們喜歡看塔尖上的珠寶，但最下一層沒有人添磚加瓦的話，一切不過永遠流於空談而已。
 |
沒有留言:
張貼留言