眾所周知，數(shù)據(jù)對于機器學習的重要性。了解數(shù)據(jù)訪問模式將幫助數(shù)據(jù)科學家確定適合其項目的正確存儲基礎架構。數(shù)據(jù)基礎架構使機器學習成為可能。然而，一旦開始使用，機器學習就面臨著關鍵的數(shù)據(jù)挑戰(zhàn)，需要首先解決：

• 質量
• 稀疏性
• 完整性

接下來，讓我們深入研究其中的每一個，以便大家了解如何克服機器學習的這些挑戰(zhàn)：

1. 質量

許多數(shù)據(jù)科學家希望利用外部來源的數(shù)據(jù)。然而，通常沒有質量控制或保證如何捕獲原始數(shù)據(jù)。

你相信外部數(shù)據(jù)的準確性嗎?

這是一個很好的例子。漂浮在海洋中的浮標上的傳感器收集有關海洋溫度的數(shù)據(jù)。但是，當傳感器無法收集溫度時，它將記錄為999。此外，在2000年之前，僅用兩個數(shù)字記錄了年份的數(shù)字。但是在2000年之后，記錄的數(shù)字變?yōu)榱怂膫€。

因此，我們需要了解數(shù)據(jù)的質量以及如何準備數(shù)據(jù)。在這種情況下，分析浮標數(shù)據(jù)的科學家可以使用平均值、均值、最小值、最大值來可視化原始數(shù)據(jù)，捕獲這些數(shù)據(jù)庫錯誤并相應地對其進行清理。

2. 稀疏性

在這種情況下，稀疏適用于元數(shù)據(jù)。通常，元數(shù)據(jù)字段不完整，有些字段已填寫，有些字段留空。如果數(shù)據(jù)是從單一來源生成的，則可能是由于人類缺乏規(guī)范或知識所致。但是，如果數(shù)據(jù)來自各種來源，而沒有元數(shù)據(jù)的標準定義，則每個數(shù)據(jù)集可能具有完全不同的字段。因此，將它們組合在一起時，完成的字段可能不對應。

當前，關于捕獲哪些元數(shù)據(jù)沒有行業(yè)標準。然而，元數(shù)據(jù)與數(shù)據(jù)本身一樣重要。當您具有填充了不同元數(shù)據(jù)字段的相同類型的數(shù)據(jù)時，如何關聯(lián)和過濾數(shù)據(jù)?

如果以浮標為例，初始數(shù)據(jù)傳感器每十分鐘收集一次水溫，而較新的浮標每三分鐘收集一次水溫。關聯(lián)數(shù)據(jù)的唯一方法是通過元數(shù)據(jù)在捕獲時公開。當科學家進行歷史分析時，他們需要元數(shù)據(jù)以便能夠相應地調整其模型。

3. 完整性

數(shù)據(jù)完整性是數(shù)據(jù)準確性和一致性的保證。數(shù)據(jù)保管鏈對于證明數(shù)據(jù)在流水線和位置中移動時不會受到損害至關重要。當數(shù)據(jù)的捕獲和攝取受到控制時，您可以相對輕松地驗證其完整性。但是，與他人合作時，很難進行驗證。生成數(shù)據(jù)時，沒有用于外部數(shù)據(jù)的安全證書。您也不能確保數(shù)據(jù)記錄完全符合預期，也不能確保接收到的數(shù)據(jù)與原始記錄時完全相同。

關于物聯(lián)網數(shù)據(jù)和區(qū)塊鏈存在一些有趣的概念，但是，在廣泛采用這種概念之前，數(shù)據(jù)完整性取決于安全技術和策略的結合。例如，由于數(shù)據(jù)在靜態(tài)或傳輸過程中可能會受到威脅，因此通過網絡傳輸?shù)臄?shù)據(jù)應使用https，并且在靜態(tài)時應進行加密。另一方面，訪問控制應受策略驅動，以避免人為錯誤。

如何開始?

數(shù)據(jù)質量、稀疏性和完整性直接影響最終模型的準確性，并且是當今機器學習面臨的一些比較大的挑戰(zhàn)。擁有清晰數(shù)據(jù)定義，政策并探索行業(yè)特定數(shù)據(jù)標準的組織將在短期和長期項目中受益。

如果您還沒有，那么您的組織應該首先定義自己的數(shù)據(jù)收集策略，元數(shù)據(jù)格式，然后應用標準的安全技術。數(shù)據(jù)質量和稀疏性齊頭并進。下一步，設置元數(shù)據(jù)策略，并確保可以使用捕獲的定性數(shù)據(jù)來驗證數(shù)據(jù)的有效性。最后，為了確保數(shù)據(jù)完整性，可以在生成數(shù)據(jù)時應用數(shù)字證書，應該在傳輸過程中強制使用SSL，并且始終保持啟用加密狀態(tài)。

安全數(shù)據(jù)協(xié)作

如果您所在的行業(yè)需要與外部組織不斷交換數(shù)據(jù)，那么最好開放您的數(shù)據(jù)和元格式的源代碼，因為這些標準比許多專有標準更廣泛。更好的是，您可以發(fā)起一個行業(yè)開放標準委員會，讓其他人參與和貢獻。一個很好的例子是“開放目標”(https://www.opentargets.org/)，這是一種“公私合作伙伴關系，利用人類遺傳學和基因組學數(shù)據(jù)進行系統(tǒng)的藥物靶點識別和優(yōu)先排序。”

尤其是研究數(shù)據(jù)生態(tài)系統(tǒng)已經變得高度復雜，組織內部和外部的合作者需要快速訪問數(shù)據(jù)以及簡化數(shù)據(jù)管理的方法。機器學習的挑戰(zhàn)很多。第一步是使用正確的數(shù)據(jù)和基礎結構啟動項目。