今天來提一個在課程中一直強調的點「資料是最重要的」。
跟前面的 AI-first 策略呼應，如果模型的預測有錯誤的話，應該繼續收集更多的資料做訓練。
這個部分我認為比較偏向 Google 自己的經驗（因為我沒經驗XD）
像我自己有使用一些 Computer Vision 相關的專案，paper 表現得很好的，在實際使用上還是會遇到很多問題，可能是收集的資料不夠多，或是調模型的能力不夠，或是都有XD。
可能 Google 發現與其花很多時間調整模型，最後上線才發現資料的模式已經改變了，不如把資料收集的基礎設施都建置好，讓模型可以持續獲得最新的資料，讓模型可以持續訓練、更新還比較好。
這個是 ML Surprise，用比例列出一般人預期完成一個 ML 專案的時間分配跟實際上需要的時間。
恩...這可能也是大數據出來的，一般人可能沒有機會做這麼多次 ML 專案啊～
再附上上圖的五個大項目常見的痛點：
今天就這樣囉～
iThome鐵人賽
看影片追技術