Data-Centric vs Model-Centric：谁才是机器学习最佳实践指南？

代码和数据是人工智能系统的基础。这两个组件在稳健模型的开发中都发挥着重要作用，但您应该更关注哪一个？

在本文中，我们将介绍以数据为中心与以模型为中心的方法，看看哪个更好，我们还将讨论如何采用以数据为中心的基础架构。

以模型为中心的方法

以模型为中心的方法(Model-Centric approach)意味着开展实验研究以提高机器学习模型的性能。这涉及从各种可能性中选择最佳模型架构和训练过程。

• 在这种方法中，保持数据不变，改进代码或模型架构。
• 其中处理构建模型的代码是这种方法的中心目标。

目前大多数人工智能应用都是以模型为中心的，其中一个可能的原因是人工智能领域对模型的学术研究非常重视。根据Andrew Ng的说法，该领域 90% 以上的研究论文都是以模型为中心的。

创建一个新数据集很难，因此人工智能社区认为以模型为中心的机器学习更有前途。但在专注于代码的同时，数据经常被忽视，数据收集被视为一次性事件。

以数据为中心的方法

以数据为中心的方法(Data-Centric approach)关注数据内在的信息，并希望通过数据组织产生更准确的模型。

• 这种方法关注数据集，提高准确性。
• 处理数据是这种方法的中心目标。

数据驱动与以数据为中心的方法不同：数据驱动方法是一种从数据中收集、分析和提取见解的方法。以数据为中心的方法关注使用的数据本身。

• 以数据为中心的方法是指一个系统，其中数据是主要和永久的资产，而应用程序会发生变化。

• 数据驱动方法意味着通过摄取大量数据来创建技术、技能和环境。