[论文解读] Data-Centric Artificial Intelligence

Johannes Jakubik, Michael Vössing+3 more|arXiv (Cornell University)|Dec 22, 2022

Big Data and Business Intelligence被引用 14

一句话总结

本文提出以数据为中心的人工智能（AI）作为与以模型为中心的AI互补的范式，强调系统性数据工程——提升数据质量和数量——以增强AI模型性能。论文提出了一个以数据为中心的AI框架，阐述其对业务与信息系统工程（BISE）的影响，并识别出在数据工作、数据治理及跨组织协作方面存在的关键研究空白。

ABSTRACT

Data-centric artificial intelligence (data-centric AI) represents an emerging paradigm emphasizing that the systematic design and engineering of data is essential for building effective and efficient AI-based systems. The objective of this article is to introduce practitioners and researchers from the field of Information Systems (IS) to data-centric AI. We define relevant terms, provide key characteristics to contrast the data-centric paradigm to the model-centric one, and introduce a framework for data-centric AI. We distinguish data-centric AI from related concepts and discuss its longer-term implications for the IS community.

研究动机与目标

• 将以数据为中心的AI定位为现实世界AI系统开发中与以模型为中心的AI互补且必要的范式。
• 定义并对比以数据为中心的AI与以模型为中心的AI，强调对数据质量、数据工作及领域知识的关注。
• 提出一个全面的以数据为中心的AI框架，涵盖数据质量、数据工作及持续改进等维度。
• 识别BISE领域在数据治理、数据共享及跨组织数据协作方面存在的关键研究空白。
• 指导BISE研究人员推进系统化的数据管理、标准化及AI开发工具链建设。

提出的方法

• 提出一个概念性框架，以数据质量、数据工作、数据治理和持续改进等关键维度组织以数据为中心的AI。
• 将以数据为中心的AI定义为一种固定模型并优化数据的范式——聚焦于数据数量、相关性及标注质量，以提升性能。
• 提出从以模型为中心的优化转向系统性数据工程，包括数据整理、标注及数据版本控制。
• 强调领域知识和半自动工具在加速数据工作及提升数据质量方面的作用。
• 强调持续数据管理及随时间推移的迭代数据优化的重要性，尤其在动态现实场景中。
• 提出具备数据许可、版本控制、引用机制及声誉系统的跨组织数据共享平台，以建立信任与协作。

实验结果

研究问题

• RQ1 以数据为中心的AI在关注重点、数据质量认知及领域知识使用方面，与以模型为中心的AI有何不同？
• RQ2 在现实世界AI开发中，系统化以数据为中心的AI框架的关键维度与组成部分是什么？
• RQ3 BISE研究可解决的数据治理、数据共享及数据质量管理方面的关键研究空白有哪些？
• RQ4 当数据因隐私或所有权限制无法共享时，如何在组织间实施以数据为中心的AI？
• RQ5 BISE研究可在标准化数据工作流程及构建可扩展、可信的数据共享基础设施方面发挥何种作用？

主要发现

• 以数据为中心的AI将关注点从模型架构转向数据质量与数量，性能提升源于更优的数据而非更复杂的模型。
• 该范式与以模型为中心的AI本质上是互补的，两者对高性能、现实世界AI系统均不可或缺。
• 数据工作（如标注、数据整理与质量评估）是AI开发中关键且系统化的组成部分，但常被忽视且缺乏标准化。
• 持续的数据改进至关重要，因为数据具有动态性并随时间演变，需要持续的数据管理与版本控制。
• 跨组织数据共享至关重要，但受治理、信任与技术障碍制约，亟需具备数据许可、版本控制及声誉系统的标准化平台。
• BISE研究在指导数据治理框架、数据共享标准及协作基础设施的构建方面具有独特优势，可推动以数据为中心的AI发展。