深度学习领域一直饱受所谓的大数据谬误的困扰，认为越来越多的数据总是一件好事。
现在可能是时候关注质量而不仅仅是数量了。
Landing AI 的创始人兼首席执行官 Andrew Ng 本周在接受 ZDNet 采访时表示：“许多 AI 都面临着一个非常根本的问题，”Landing AI 是一家致力于完善工业用途技术的初创公司。
“很多人工智能专注于最大限度地增加卡路里数量，这在一定程度上起作用，”他说。
“有时你确实有很多数据，但当你有一个小数据集时，更多的是数据的质量，而不是纯粹的数量。”
吴恩达十年前在谷歌创立谷歌大脑部门时负责开发包括语音识别技术在内的大规模人工智能系统，现在他的任务是构建人工智能技术，供企业客户用于实际目的，例如 工厂车间检查。
Landing AI 在去年 11 月的一轮融资中迄今已获得 5700 万美元的融资，来自 McRock Capital Insight Partners、Taiwania Capital、加拿大退休金计划投资委员会、英特尔投资、三星催化剂基金、远东集团旗下的 DRIVE Catalyst、华新丽华、 和人工智能基金。
Ng 还是在线课程公司 Coursera 的联合创始人，也是斯坦福大学计算机科学的兼职教授。
大数据谬误起源于人工智能的深度学习形式对给定查询领域的大量样本的技术需求。 深度学习方法的重点是获得足够的数据点，以避免所谓的“过度拟合”，在这种情况下，越来越大的神经网络只会记住训练数据。
如果深度学习记住训练数据，它就无法概括该数据的性质，而这通常是神经网络可用于进行预测的关键。
但数百万甚至数十亿数据的预算在某些情况下是不可行的，例如制造检测系统，其中百万个相同部件中的单个缺陷可能是关于制造缺陷的唯一数据。
在谷歌和百度担任首席科学家时，“我已经构建了数亿张图像的人工智能系统”。 “当你只有 50 张图像时，这些技术就不会真正起作用，”他说。
Ng 表示，Landing AI 已经能够通过相对少量的数据样本为客户开发有用的工业模型。
“我们不得不专注于好的数据，而不是大数据，”Ng 说。
与对大数据的典型思考相反，使用如此小的样本量（数十个而不是数百万个示例）是可行的。
“如果你确保它有 50 张非常好的图像，我们可以让神经网络只处理 50 张图像，这让我一再感到惊讶，”Ng 说。 “我们在 Landing AI 上一直在创新的工具是，你只有 50 张图像，那么你如何标记它才能在仅 50 张图像的情况下发挥最佳性能。”
他说，“我觉得我们已经破解了”在制造业中使用深度学习的秘诀。
从某种意义上说，大数据谬误可以被认为是尾巴摇狗。 为了避免过拟合，深度学习的所有注意力都集中在如何使深度学习模型、程序结构最佳运行。
现在，Ng 主张更加关注最重要的数据点，并使模型适合这些点。
“像我这样的人和我的许多朋友为让人工智能在消费软件公司工作而开发的秘诀并不适用于制造公司和许多其他公司，”Ng 说。
“根本问题是，如果你有 1000 亿或 100 万用户，你可以构建一个单一的 AI 系统；制造业是不同的。”
需要很多很多架构，很多不同的神经网络来适应数据。
“AI 领域面临的挑战是，我们如何帮助制造业建立不是一个或十几个 AI 模型，而是帮助 10,000 家不同的制造商建立 10,000 个不同的 AI 模型，因为每个工厂，每个组件都需要自己的模型。”
当然，初创公司面临的挑战是“如果我不雇用 10,000 名工程师，如何做到这一点”。 在 Landing AI 的早期——公司成立于 2017 年——吴恩达说他很“天真”。
“在早期，我们做了很多咨询工作，试图自己做很多定制，但它没有扩展。” Ng 认为很多 AI 初创公司都遇到了这个问题，成为了咨询公司。
该公司转向制造工具，让所有这些客户进行定制。 他说，医疗保健等行业也必须采用同样的方法。
“对数据进行工程设计确实具有挑战性，”Ng 观察到。 “我认为有经验丰富的人工智能工程师长期以来一直在凭直觉做事，但构建工具可以让许多人快速轻松地成功地做到这一点，这是一个非常深刻的技术挑战。”
Ng 一直在传播关于质量的新重点以及如何为机器学习方法准备好数据的讨论。
他称自己的观点为“以数据为中心的 AI”。
更多关于 Ng 的想法可以在三月份的视频采访中看到。
该公司周三宣布已聘请计算机视觉技术领域的先驱 David L. Dechow，他曾是初创公司 Integro Technologies 的首席视觉系统架构师。
Ng 指出，工业界多年来所做的大部分机器学习工作都是关于在车间安装摄像头以观察生产线。 他说，德肖一直是将观察转移到工厂的先驱。
“几十年来，甚至在最近计算机视觉蓬勃发展之前，制造商就已经在工厂中安装了摄像头，”Ng 说。 “相机非常擅长测量零件的确切长度，如果您可以编写规则来准确指定您要查找的内容，则可以检测某些类型的缺陷。”
使用现代深度学习系统，目标是在没有这种基于规则的严格方法的情况下，为缺陷检测提供更灵活的人工智能。
“在机器视觉领域和工业自动化领域，他是一位大师，”Dechow 的 Ng 说。 “今天几代视觉工程师都接受过 David 的培训。
“如果你能从机器视觉领域引进一个人，那就是他，”Ng 说。
