AI产品经理如何做好数据准备工作

在所有产品类型中，AI产品是市场上较为吃香的。在AI产品领域，数据的准备工作是开始正式工作之前同样重要的一部分。那么，该如何做好数据准备工作呢？

所有的产品类型中，估计AI产品是最吃数据的了，要训练模型必须喂养大量的数据，2020 年 6 月 9 日，一款颅内肿瘤核磁共振影像辅助诊断软件获得了中国药监局审批，拿到了影像辅助诊断领域的首张 III 类医疗器械证。

这套人工智能软件对脑肿瘤的诊断准确率超过 90%，对其中常见类型的诊断准确率达到 96%。训练这款软件的算法模型喂养了上百万份影像病例，海量数据、强大算力以及高分辨率，让人工智能归纳出来的一套新经验，使得它在影像诊断领域取得突破的基础。

可以这么说，在AI产品领域，数据、算法、算力三分天下，同样重要，数据的准备工作是开始产品设计和开发的必要的前期工作。

数据准备工作主要包括两个部分，第一是数据收集，第二是数据清洗。

一、数据收集

数据收集顾名思义，就是收集训练所需的数据，比如说，我要做一个人脸识别的模型，那么肯定是要收集人脸数据，我要做个对话机器人系统，肯定要收集语料数据，我要做个有无佩戴安全帽识别，肯定要收集人带安全帽的数据。

我要做个宠物狗的品类识别模型，就要收集各种狗的图像数据，并分类存储。

数据收集简而言之，就是把数据分类存储好的过程，就像是我们做法，先去买菜的过程，并把菜分类存储好的过程。

目前，数据收集主要有三个来源，分别是数据服务商采购、公开网络收集、内部数据。

数据提供商提供的数据一般质量都比较好，数据比较大。可以直接拿来做模型训练工作。只不过这类数据一般价格比较高。

而且这类数据的类型一遍是通用型，对于一些小品类，垂直领域的的数据服务商一般没有。例如下面这些，是一家外部提供商提供的数据。

网络公开的数据比较好理解，就比如训练提问意图，需要大量的提问意图的短句，这时候可以从知乎爬取。因为知乎是个问答平台。

第三种内部数据，也比较好理解，如果有内部数据肯定是先用内部数据，他的获取成本最低，还有就是一些小众垂直领域，外部无法获取也只能从内部获取。

例如疫情初期，北京肿瘤医院新冠肺炎智能识别是基于5000多个病例的 CT 影像样本数据，学习训练样本的病灶纹理，研发了全新的AI算法模型，可在20秒内快速完成新冠肺炎影像的分析，分析结果准确率达96%。这些CT影像就属于内部数据。

二、数据清洗

数据收集完成之后还不能直接拿来用，需要做数据清洗，把这些数据变成可用的数据。这就好比从菜市场买完菜之后做洗菜和切菜的过程。

数据清洗主要是清洗三类数据：

数据缺失解决办法大体分为两种，第一种是直接删除，第二种是做填补。

数据格式不统一比较好解决，直接做归一化处理就好。

存在异常值的情况，只需要找到异常值，并剔除掉就好。针对不同的数据的异常值找到方法也不尽相同。例如某学校3万人体检，手工录入每个人体重，可以用3σ定律检验可找出录入错误数据。

三、总结

数据收集和数据清洗工作在整个建模过程中很重要，数据的好坏直接影响最后模型的准确性。但是数据收集和数据清洗是个苦活，过程繁琐并且技术含量不高，需要AI产品经理和算法工程师一起完成，这块会花费比较多的时间，一定要有耐心和细心。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓