如今，機器學習正成為組織多個商業部門的一項重要功能。機器學習程序運行在數據上，需要大量的數據來訓練機器，就像一臺潤滑良好的發動機。但是，與大量數據相比，良好的數據質量對于獲得預期的最終結果至關重要。

數據管理處理的是數據質量，這使得分析應用程序給出的輸出可信。分析應用程序讓企業了解自己在行業中的地位。目前在技術行業取得的分析進步是顯著的，但就數據質量而言，它還沒有達到標準，這對依賴機器學習程序的企業來說可能是有害的。

[[386573]]

更多的干凈數據

機器學習系統需要更多的數據，但是數據在哪里呢?如果我們以零售業為例，數據可以收集多年。一旦數據被提取和收集，就應該確定其質量。機器學習工程師的工作就是這樣做，從業務的角度把數據放在一個可理解的場景中。

機器學習工程師的職責

工程師的首要責任應該是了解客戶和客戶群的需求。這意味著企業應該首先與一位機器學習顧問合作，他將指導如何使用機器學習來適應特定的商業模式。接下來，機器學習工程師將在領域專家的幫助下開始處理來自系統的數據，對數據進行標記和分類。這就是問題所在。大多數機器學習項目都是在沒有領域專家的情況下進行的。這會導致錯誤的數據分類、操作員錯誤或機器學習系統對輸出的錯誤假設。

機器學習工程師從一開始就把大部分時間花在對數據進行分類上，因此如果機器學習產品在一開始就給出了錯誤的數據，那么從那以后，錯誤就會變得更加復雜。這導致了無監督機器學習。

有監督和無監督機器學習

有監督機器學習是指利用輸入/輸出對的例子將一個函數映射到其相應項的過程。有了這樣的模型，就可以在保證零數據誤差的前提下，從一開始就可以測量性能。

無監督機器學習與此相矛盾。它沒有數據標簽，也沒有實際的方法來衡量算法的性能。使用這樣的程序，目標是找出數據的底層結構，并將其分成不同的類別。但是無監督機器學習有一個好處。這些算法能夠看到人類可能不熟悉的數據模式。因此，在選擇機器學習方法時，了解它在業務中的用途是很重要的。

數據質量對機器學習很重要。當所需的數據質量無法達到業務要求時，無監督機器學習是一種救星。它能夠通過評估基于人工智能的程序的數據來提供精確的業務見解。但對于一個企業來說，沒有一個適合所有人的解決方案。