luda 编辑导语：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。
#专栏作家#
老张，人人都是产品经理专栏作家。AI产品经理，专注于自然语言处理和图像识别领域。现智能保险创业公司合伙人，希望与人工智能领域创业者多多交流。
本文原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议