[Day 9] Model-Centric Iteration vs. Data-Centric Iteration

16th鐵人賽

Min

2024-09-23 19:53:58

217 瀏覽

分享至

我們在前面五天中，介紹了機器學習生命週期的五個步驟，在 Step 5. 檢查模型表現時，如果發現模型表現退步，可以退回去 Step 2 重新蒐集資料、或是檢查資料標記的一致性，也可以退回去 Step 3. 重新訓練模型或調整演算法。

這兩個策略都能夠提升模型的表現，也各有其優勢和適合的應用場景，而究竟要選擇哪一個策略，通常取決於問題的具體需求，這也是 model-centric 和 data-centric 思考方式的差異。

簡單來說，這兩個思考方式的差異如下：

Model-centric iteration：固定資料集，思考要如何把模型訓練到更好
Data-centric iteration：固定模型，思考要如何調整修改資料（增加新資料、做 data augmentation 或是調整資料標記）以提升模型表現

接下來讓我們仔細地介紹這兩種思考方式吧！

模型導向（Model-Centric Iteration）

在模型導向（model-centric）的思維中，資料集通常是固定的。如同在 Kaggle 的比賽一樣，我們的目標是使用既定的資料集，不斷優化模型架構和參數，讓模型能夠在這些數據上達到最佳表現。這個方法的核心是圍繞模型本身進行調整和改進，隨著不斷迭代，模型可以變得更為複雜，或選擇更有效的演算法來解決問題。

通常會分為三個步驟：

建立一個 baseline model：如同在 Step 3 介紹過的方法，我們可以使用現有資料集建立一個 baseline 模型，以這個模型作為後續優化的基準。
優化模型：選擇幾個適合的模型演算法，不斷地調整超參數（hyperparameters）、改進模型架構等等，以提升模型表現。
評估表現：根據現有數據來評估現有模型的表現（如準確度、F1-score），並根據結果進行反覆調整。

其中，第二步和第三步會不斷地一直循環，逐步調整模型，讓模型在固定資料集上達到最好的表現。

然而，這個方法其實有一個問題，如同在 Step 2 提過的，資料標記的一致性是非常重要的，如果資料集的品質本身存在問題，即使模型的演算法再適合，也無法提升表現，因為根本問題沒有被解決。

因此，Andrew Ng 提出一個概念：From Big Data to Good Data，他說以前大家都致力於蒐集許多資料，在固定資料集上，花很多時間，想辦法使用不同的模型、演算法來提升表現。而他建議我們也可以嘗試優化自己的 data，而非只是專注在改善模型，而這就是資料導向（data-centric iteration）的思維邏輯。

資料導向（Data-Centric Iteration）

與模型導向的思考方式不同，資料導向的迭代策略強調資料品質的重要性。這個方法認為模型成功的關鍵是高品質的資料集，優化模型固然重要，但是改善數據品質可以更大程度地提升模型性能。如下圖所示，Andrew Ng 表示在不同的機器學習任務中，使用資料導向的思考方式，比起模型導向，能夠更大幅度地改善模型表現。

圖片來源：A Chat with Andrew on MLOps: From Model-centric to Data-centric AI | DeepLearningAI

因此，他建議我們可以將重心放在資料品質上，提升數據標記的準確性和一致性，進而使多種模型都能夠在相同資料集上表現良好。Andrew 認為資料集就如同模型的食材，要先有好的原料，才能夠烹調出一頓佳餚。即便烹飪技巧再好，食材如果品質低下，也是沒有辦法得到有好吃的一餐。

資料導向一樣分為三個步驟：

建立一個 baseline model：這個方法也會先建立一個 baseline model，有助於衡量數據變化對模型的影響。
數據迭代（data iteration）：這是資料導向策略的關鍵步驟，根據模型的表現來調整數據，而不是不斷改變模型。舉例來說，可以透過錯誤分析（error analysis），檢查模型在不同資料標籤上的表現，再評估要改善哪一個標籤的資料品質；或是透過（data augmentation），增加資料量來改善模型的泛化（generalization）能力；另外，也可以檢查資料標籤的一致性，確保資料的乾淨程度。
評估並改善資料：每一次資料改進後，都要重新評估模型表現。如果發現某些類別的預測能力不好，可能需要針對該類別增加一些資料。

資料導向的優點在於它能夠處理很多模型無法解決的問題，特別是當資料本身存在品質問題時。透過改善數據，即便使用簡單的模型，也能獲得良好的表現。

如何選擇適合的策略呢？

雖然我們這篇看起來是在讚揚資料導向的策略有多優秀，不過，在機器學習專案中，模型導向和資料導向並不是互斥的關係，我們可以根據情況結合這兩個方法。例如，可以先從資料導向的思考方式出發，確保資料集的品質，再進行模型的優化。如果出現 data drift 或 concept drift 的問題（參考 Day 7 的介紹），可以再回頭調整資料集，如此一來，便可以讓我們在不斷變化的真實世界中保持模型的穩定性和準確性。