数据如何为人工智能提供动力

你已经知道人工智能可以识别面孔、翻译语言和推荐歌曲。但这一切的真正动力是什么？ 数据。 没有数据，人工智能就像一辆没有燃料的汽车——它根本无法前往任何地方。

在本课中，我们将探讨数据集是什么样子、人工智能使用的不同类型的数据，以及为什么数据的质量非常重要。

什么是数据集？

数据集是人工智能系统学习的有组织的信息集合。将其视为一个巨大的电子表格。

• 行代表个别示例（例如，一张猫的照片、一份患者记录）。
• 列代表特征 - 正在测量的特征（例如年龄、颜色、尺寸）。
• 标签是我们希望人工智能预测的答案（例如“猫”或“狗”）。

数据类型

人工智能处理两大类数据：

结构化数据

这些数据完全适合具有行和列的表格，例如银行交易日志或医院患者记录。每个字段都有明确的类型（数字、日期、类别）。

示例： 销售数据、传感器读数、调查回复。

非结构化数据

这是不遵循固定格式的数据。它包括图像、视频、录音、电子邮件和社交媒体帖子。全球 80% 以上的数据是非结构化的。

**示例：**手机上的照片、语音消息、新闻文章。

为什么人工智能需要这么多数据？

人类只需看到几张图片就可以学会识别狗。人工智能通常需要数千甚至数百万个示例才能做到同样的事情。这是因为人工智能对世界没有内在的理解。每一条知识都必须来自数据。

数据越多样化、越有代表性，人工智能就越能更好地适应新情况。仅接受金毛猎犬照片训练的模型可能无法识别贵宾犬。数据的多样性带来了人工智能的稳健性。

这就是为什么公司在收集、清理和整理大型数据集方面投入巨资的原因——这通常是构建人工智能系统中最耗时和最昂贵的部分。

好消息是，一旦存在高质量的数据集，就可以重复使用和共享，从而加速全球研究。

数据质量：垃圾输入，垃圾输出

人工智能的好坏取决于它所学习的数据。如果数据混乱、不完整或不正确，人工智能将产生不可靠的结果。这个原则被称为垃圾进，垃圾出（GIGO）。

常见的数据质量问题包括：

• 缺失值 - 空白字段会在人工智能可以学习的内容中留下空白。
• 重复 - 同一示例多次出现，从而扭曲了模型。
• 不正确的标签 - 一张被标记为猫的狗的照片混淆了学习过程。
• 过时的信息 - 对 2005 年数据的培训不会反映 2025 年的趋势。

真实世界数据集

一些数据集已在人工智能社区中广为人知：

|数据集|它包含什么 |尺寸| |------|------------------|------| | 图像网络 |带标签的照片|超过 1400 万张图像 | | 普通爬行 |来自互联网的网页| PB 级文本 | | 维基百科 |百科全书文章|超过 6000 万篇文章 | | MNIST |手写数字 (0–9) | 70,000 张图像 |