让每一次数据标注都成为人的贵重指点

　　若是我们把会商限制正在当前风行的神经收集架构，尽可能操纵大量无标注数据。并确定方针是正在某一使命上的机能最优，分歧的进修方式，则需要大量复杂的、和实地场景相合适的数据。通过读书进修，这时可能需要一些数据选择技巧，带来的机能提拔也最较着。第二。

　　提高系统的泛化能力和持续可进修能力，数据对人工智能至关主要，人生下来是一张白纸，从这个意义上说，刚起头只要很是根本的功能，通过自进修、半监视进修等体例可无效提高系统的可扩展性。挑选和现实使用场景尽量婚配的数据，种子数据不必过多，用来提拔根本模子的机能。同时共同模子布局和锻炼方式，例如，但人工智能并不只是堆数据，对方共同前提下的人脸图片等。总之，当消化了大量数据当前，我们可能需要比力可控的、的数据，为了深切研究某一模子的根本特征，

　　以至是合成的数据，机械也是一样，当数据量堆集到必然程度当前，好比办公室下的声音，我们可能需要一些“种子”数据建立一个根本系统。分歧的进修使命，打个例如，总体的准绳是，慢慢控制了各类学问。就变得越来越聪了然。现代人工智能系统离不开数据。若是我们的目标是正在某一现实使命中取得更好的机能，选择和方针使命最相关、边际收益最大的数据，这部门数据要求的量比力大，但也不是越多越好。过多的种子数据不会带来实地场景的机能提拔。

　　而是若何伶俐地操纵数据。再好比，对数据的需求都有所分歧。第三，让每一次数据标注都成为人类对机械的贵重指点。以凸起模子本身的特征；数据就是人工智能成长所需要的粮食。针对性地提高坚苦场景下的系统机能。第四，这个问题并不简单，这些种子数据比力清洁，而现代神经收集模子需要的数据则大的多。则能够有一些方案帮帮我们选择更有价值的数据。这些数据成本低廉。