【中國智能制造網 名家論壇】用于機器學習用途的數據，其“不合理的有效性”引發了多年的廣泛爭論。也有觀點認為，制約人工智能（AI）領域很多重大突破的，并非算法不夠先進，而是缺乏高質量數據集。想要開發出先進的機器學習技術，數據至關重要，這是貫穿那些討論的共同主題。　　
　　對于在業務中將機器學習作為核心技術的初創公司來說，能否獲得高質量的訓練數據極為關鍵。雖然很多算法和軟件工具都是開源和共享的，但好的數據集通常是專有的，且很難創建。因此，擁有針對特定領域的龐大數據集，能夠成為競爭優勢的一個重要來源，尤其是在初創公司能夠快速引發數據網絡效應的情況下（更多的用戶→更多的數據→更智能的算法→更好的產品→更多的用戶）。
　　
　　所以，如何創建高質量數據集以用于訓練學習算法，這是機器學習初創公司必須作出的一個重要的戰略決定。不幸的是，在剛開始的時候，初創公司的標記數據常常十分有限，甚至缺失，為他們在數據驅動型產品的打造上取得重大進展增添了阻礙。因此，在聘請數據科學團隊或者部署昂貴的核心設施之前，有必要從一開始就研究制定好數據采集的策略。
　　
　　很多方法都可以幫助初創公司克服數據采集的冷啟動問題。數據策略/來源的選擇通常與商業模式的選擇、公司的關注點（消費者或企業，水平或垂直，等等）以及融資的情況息息相關。以下是五種數據采集策略，雖然并不詳盡，且多少互有重疊，但能讓你對很多可用的方法有一個直觀的感受。
　　
　　策略一：人工作業
　　
　　從零開始創建好的專有數據集，幾乎永遠意味著預先投入大量人力采集數據，執行難以規模化的人工任務。靠蠻力開路的初創公司有很多。例如，很多聊天機器人初創公司聘請人類擔任“AI訓練師”，讓他們手動創建或核實虛擬助手作出的預測（實際效果各異，且員工流動率高）。就連科技巨頭都采用這種策略：Facebook虛擬助手M的所有回答，都由一支合同工隊伍進行檢查和編輯。
　　
　　只要數據網絡效應在某個時候生效，所需人力不再跟隨客戶數量同步增加，那么用蠻力來手動標記數據點的策略就能取得成功。一旦AI系統的進步速度夠快，不明確的異常值就會變得更少，進行手動標記的人員數量就可以減少或者保持不變。
　　
　　適用于：幾乎所有的機器學習初創公司
　　
　　例子：
　　
　　*很多聊天機器人初創公司（包括Magic、GoButler、x.ai和Clara）
　　
　　*MetaMind（手動采集和標記的食物分類數據集）
　　
　　*BuildingRadar（由員工/實習生手動標記建筑物圖片）
　　
　　策略二：縮小范圍
　　
　　大多數初創公司都會試圖從用戶那里直接采集數據，但問題在于，在機器學習的好處尚未全部體現出來之前，會很難說服早期采用者使用產品（因為先要有數據才能訓練和改進算法）。避開這種兩難處境的一個方法是大幅縮小問題域（如果以后有需要再擴大范圍）。克里斯·迪克森（ChrisDixon）說：“你需要的數據量與你試圖解決的問題廣度有關。”
　　
　　關于縮小范圍的好處，聊天機器人再次成為很好的例子。這個領域的初創公司可以在兩個市場進入策略之間做出選擇：一種是打造水平型虛擬助手，也就是幫助解答很多問題并響應即時請求的機器人，例如Viv、Magic、Awesome、Maluuba和Jam；一種是打造垂直型虛擬助手，也就是力求極為出色地完成某項明確具體工作的機器人，例如x.ai、Clara、DigitalGenius、Kasisto、Meekan和近期的GoButler。雖然兩個方法都可行，但解決閉域問題的初創公司在數據的采集上要容易許多。
　　
　　適用于：垂直整合型公司
　　
　　例子：
　　
　　*高度專業化的垂直型聊天機器人（比如x.ai、Clara和GoButler）
　　
　　*DeepGenomics（利用深度學習技術對基因變異進行分類和解讀）
　　
　　*QuantifiedSkin（利用客戶自拍照進行皮膚分析）