2021-12-30 22:49:25|已浏览：201次
传统观点认为，大量数据支撑起了尖端人工智能的发展，大数据也一直被奉为打造成功机器学习项目的关键之匙。但AI ≠ Big Data，该研究指出，制定规则时如果将——人工智能依赖巨量数据、数据是必不可少的战略资源、获取数据量决定国家（或公司）的人工智能进展—— 视为永恒真理，就会“误入歧途”。介于当下大环境过分强调大数据却忽略了小数据人工智能的存在，低估了它不需要大量标记数据集或从收集数据的潜力，研究人员从四个方面“缩短大小实体间AI能力差距、减少个人数据的收集、促进数据匮乏领域的发展和避免脏数据问题”说明了“小数据”方法的重要性。
小数据方法是什么？
小数据方法是一种只需少量数据集就能进行训练的人工智能方法。它适用于数据量少或没有标记数据可用的情况，减少对人们收集大量现实数据集的依赖。
这里所说的“小数据”并不是明确类别，没有正式和一致认可的定义。学术文章讨论小数据与应用领域相关性时，常与样本大小相挂钩，例如千字节或兆字节与 TB 数据。对许多数据的引用最终走向都是作为通用资源。然而，数据是不可替代的，不同领域的人工智能系统需要不同类型的数据和方法，具体取决待解决的问题。
本文主要从决策者的角度讲述“小数据”。政府人员通常被看作是人工智能领域潜在的强力参与者，因为他们对社会运行规则更为了解并可以访问大量数据——例如气候监测数据、地质调查、边境控制、社会保障、 选民登记、车辆和司机记录等。人口众多、数据收集能力强被认为是国家人工智能竞争能力的重要因素。
一些美国人认为，政府只有可以数字化、清理和标记大量数据，才能从人工智能的革命中受益。虽有些道理，但将AI的进展都归功于这些条件是偏颇的。因为人工智能的未来不仅只与大数据有关联，即使政府部门没有对大数据基础设施多加投资，人工智能的创新依旧可以诞生。
本文由培训无忧网AAA教育专属课程顾问整理发布，希望能够对想参加北京大数据分析培训的学生有所帮助。更多大数据分析培训课程资讯欢迎关注培训无忧网大数据人工智能培训频道或添加老师微信：15033336050
注：尊重原创文章,转载请注明出处和链接 https://www.pxwy.cn/news-id-11384.html 违者必究！部分文章来源于网络由培训无忧网编辑部人员整理发布,内容真实性请自行核实或联系我们，了解更多相关资讯请关注人工智能频道查看更多，了解相关专业课程信息您可在线咨询也可免费申请试课。关注官方微信了解更多：150 3333 6050
