20、边缘AI项目中的数据质量与需求：关键要点解析

边缘AI项目中的数据质量与需求：关键要点解析

在当今的技术领域，边缘AI项目正变得越来越重要。然而，要确保这些项目的成功，数据质量和数据需求的管理是至关重要的。本文将深入探讨这些关键方面，为开发者和研究者提供有价值的见解。

1. 领域专业知识的重要性

在构建有效的数据集时，拥有足够的领域专业知识至关重要。领域专家虽然不一定擅长构建和评估数据集，但他们需要与具备数据科学技能的团队成员密切合作，通过协作来构建有效的数据集。

如果团队在问题领域缺乏领域专业知识，试图构建产品是不负责任的行为。因为这不仅会导致缺乏构建有效产品的知识，还会缺乏判断产品是否无效的洞察力。例如，在COVID - 19大流行期间，数千名研究人员和工程师创建了使用医学图像诊断感染的项目，但在2212项研究中，只有62项通过了质量审查，且没有一个模型被推荐用于临床。如果应用临床和机器学习领域的专业知识，大多数问题可能都能得到解决。

2. 数据质量对AI应用的影响

数据质量对应用的社会后果的影响超过其他任何因素。从负责任的AI角度来看，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强大工具。

数据集是系统设计要交互的现实世界情况的唯一详细表示，整个应用开发反馈循环都由它介导。如果数据集存在缺陷，必然会导致系统性能不佳，甚至难以察觉系统表现不佳。特别是在边缘AI项目中，由于边缘部署的性质，往往难以获取系统在实际应用中的性能信息，数据集就成为精确评估模型性能的唯一机会。

以Uber无人驾驶汽车系统导致行人死亡的悲剧为例，核心问题是缺乏足够的训练数据。汽车的雷达和激光雷达传感器在碰撞前约六秒检测到行人，但多次错