20、边缘AI项目中数据集构建与数据需求估算

边缘AI项目中数据集构建与数据需求估算

在边缘AI项目中，数据集的构建和数据需求的估算至关重要。这不仅关系到模型的性能，还会对应用的社会影响产生深远作用。

领域专业知识的重要性

拥有足够的领域专业知识是构建有效数据集的关键。因为领域专家不一定擅长构建和评估数据集，所以他们需要与具备数据科学技能的团队成员紧密合作。如果团队在问题领域缺乏专业知识，尝试构建产品是不负责任的行为，因为既缺乏构建有效产品的知识，也无法判断产品是否无效。

例如，在COVID - 19大流行期间，数千名研究人员和工程师利用医学图像进行感染诊断项目。但在2212项此类研究中，只有62项通过质量审查，且没有一个模型被推荐用于临床。若应用临床和机器学习领域的专业知识，很多问题可能会得到解决。

在学术界，同行评审系统能分析和批评用AI解决问题的尝试，但在行业中却没有这样的系统。模型在黑盒系统中部署，没有文档说明，直接与现实世界系统交互，这大大增加了灾难性问题出现的可能性。所以，边缘AI工作者有责任建立确保质量的系统，关注数据集质量和领域知识的应用是关键。

数据、伦理与负责任的AI

数据集的质量对应用的社会影响比其他因素更大。从负责任AI的角度看，数据集提供了两个核心要素：一是创建算法系统的原始构建材料；二是理解系统性能的最有力工具。

以Uber自动驾驶汽车系统导致行人死亡的悲剧为例，虽然事故涉及程序和安全系统设计不佳，但核心问题是缺乏足够的训练数据。Uber的汽车在检测行人时，最初将其识别为未知物体，然后是车辆，最后是自行车。这表明分类并不总是准确的，而且Uber的测试数据中可能缺乏类似情况的图像。

人类擅长“零样