我的开源
MLOps: Model-centric还是Data-centric
背景
近日，Facebook、DataBricks、DataRobot、H2O、Aurora、格物钛、深度赋智、耀途资本、Capital One等海内外知名科技及投资企业大咖齐聚一堂，一线创业者、数据科学家和赛道投资人共同探讨了人工智能领域的大热门——MLOps的发展现状及关键未来趋势。
MLOps是机器学习时代的DevOps，它的主要作用就是连接模型构建团队和运维团队，建立起一套标准化的模型开发、部署与运维流程，让机器学习过程更简单更高效，使得企业组织能更好利用机器学习能力来促进业务增长。
过去10年，机器学习大规模落地，但AI开发工具链仍然处于一个相对刀耕火种的原始阶段，也一直存在Data-centric 还是 Model-centric 的策略之争。从以模型为中心的角度来看，工程师偏爱从模型出发，努力通过特征工程使数据适合其模型，当现有模型无法充分解决问题时，他们将开发足以解决问题的新模型。
从以数据为中心的角度来看，解决方案是调整数据。Data-centric的拥趸们认为模型虽然有用，但只是对数据的直接分析的补充。数据决定了模型的上限，他们试图了解数据的来源、生成方式以及数据集中可能缺少的内容，并构建了复杂的可视化文件以全面了解数据。人工智能和机器学习领域国际最权威学者之一吴恩达，上半年就在MLOps的直播讲座中强调了数据质量比模型调优更为重要和有效，甚至还举办了Data-centric的比赛。
为了便于听众理解，Facebook的算法工程师刘洪磊做了一个形象比喻，如果以做饭类比，数据相当于食材，模型相当于菜谱。想要做饭好吃有两种解决办法，一是提升菜品质量，Data-centric就相当于调整现有食材，二是改进烹饪方法，适应任何食材，这就相当于Model-centric。
对大部分AI开发者来说，模型无疑是更酷炫的存在。Kaggle竞赛超级大师、H2O数据科学家徐冠硕认为，Model-centric会一直占据主流，因为数据和模型往往会有一个结合关系，很难说更好的数据就能得出更好的模型，他对比了近两年的谷歌地标识别大赛获胜结果，认为有的模型在噪声数据上甚至比使用了干净数据的模型表现更好。
格物钛创始人兼CEO崔运凯显然并不认同这样的说法。崔运凯曾作为早期员工加入Uber的无人驾驶部门，从事AI研究和产品化工作，后来成为该部门最年轻的Tech Lead Manager。彼时在Uber灌满100PB的数据池可能只需要3个月左右时间，这让他对数据特别是非结构化数据的痛点深有体悟，并有机会提前5-6年看到了AI落地将面临的必然困境。
回国后的创业经历也让崔运凯深刻意识到，无论是国内还是国外，人工智能的整个工具链都非常早期和不完善。为此，崔运凯创办了格物钛，建立面向机器学习的数据平台，利用高效数据引擎驱动非结构化数据资源管理和应用创新，强大的云端数据托管、查询、协同、可视化和版本管理等功能，可以系统性地解决数据难题，使得AI应用开发更快、性能表现更优。
Aurora的Philip也从自动驾驶的角度认可了崔运凯的观点。自动驾驶面临的挑战在于数据量大、种类繁杂、复杂度高，即便是同一场景，不同传感器也可能产生不同数据。正因如此，即便是特斯拉、谷歌Waymo这类拥有大规模基础设施的高阶玩家，在调模型做模型的时候，遇到的最大挑战还是数据问题，一个地方数据有问题，那影响可能相当广泛和棘手。
另一位创业者深度赋智创始人兼CEO吴承霖则认为，数据与模型都重要，不过从机器学习开发过程各要素的重要性来看，应该是“数据＞特征＞模型”。机器学习发展至今，各公司缺乏的不是模型，也不是数据，而是对数据的快速利用。吴承霖曾在某大厂任职，50多个AI团队面向不同的业务场景，中间存在大量冗杂重复性工作，为了优化工作流程，企业开发了AI中台，帮助复用、组合创新、规模化构建智能服务，但数据的利用问题仍然没有得到很好地解决，简单4000张表里面的用户行为数据如果能被充分利用，预估将会带来50%以上的业务提升。
数据是构建 AI 系统所必需的关键基础设施，在很大程度上决定了 AI 系统的性能、公平性、稳健性、安全性和可扩展性。活动现场超过70%的人都认为数据将会成为未来终局。
最近谷歌团队的一篇题为“Everyone wants to do the model work, not the data work: Data Cascades in High-Stakes AI”的论文，明确肯定了数据质量在 AI 中的潜力和价值。论文指出，从直觉上看，AI 开发人员认为数据质量很重要，而实际上大多数组织都没有建立或满足任何数据质量标准，这无疑相当危险。
对于一个组织来说，如何将有限的资源在算力、数据、人员上进行合理配置是非常重要的，格物钛创始人兼CEO崔运凯提供了一个从资源利用的思考角度。他认为不管是Data-centric还是Model-centric，本质上是一套ROI驱动的组织管理哲学，例如像特斯拉这样迭代较快的公司，有很多算法工程师，用MLOps去做组织串联和分层是十分必要的，它能帮助数据更快流动，发挥数据的价值。格物钛能够在数据产生初期即帮助用户对数据做迭代和管理，降低高质量数据获取、存储和处理成本，用可控的资源去提升ROI。
崔运凯表示：“未来，构建机器学习产品将更加有趣，并且这些系统会工作得更好。随着机器学习自动化工具的不断改进，数据科学家和算法工程师将把更多的时间花在构建优秀的模型上，而花在与生产级 ML 系统相关的繁琐但必要任务上的时间会更少。这也是格物钛选择在AI基础设施层做创新的初心。”