从Model-Centric到Data-Centric AI：MLOps实践中的范式转变

1次阅读

共计 1513 个字符，预计需要花费 4 分钟才能阅读完成。

传统 Model-Centric AI（模型中心化）方法将 90% 的精力投入在模型调参和架构优化上，而 Data-Centric AI（数据中心化）则主张通过系统性提升数据质量来获得模型性能突破。举个典型例子：当两个团队使用相同的 ResNet50 架构时，采用专业数据清洗和增强策略的团队，其准确率可比单纯调参的团队高出 15% 以上。

与代码版本控制类似，数据版本管理是 Data-Centric 的基础设施。使用 DVC 可以实现：

# 安装并初始化 DVC
!pip install dvc
!dvc init

# 添加数据目录跟踪
dvc add data/raw_images
# 设置远程存储（如 S3）dvc remote add -d myremote s3://mybucket/dvc-storage

支持 GB 级文件的高效差分存储
与 Git 工作流无缝集成
可复现完整的数据 + 代码快照

Label Studio 的智能标注模式可减少 70% 人工标注成本：

from label_studio_sdk import Client

ls = Client(url='http://localhost:8080', api_key='your-key')
project = ls.start_project(
    title='医学影像标注',
    label_config='''<View>
    <Image name="image" value="$image"/>
    <RectangleLabels name="label" toName="image">
        <Label value="肿瘤" background="red"/>
    </RectangleLabels>
</View>'''
)

# 启用预标注模型
project.enable_ml_backend('http://preannotation:9090')

构建自动化数据测试框架：

import great_expectations as ge

df = ge.read_csv("data/batch_202307.csv")

# 定义数据质量规则
expectation_suite = df.expect_column_values_to_not_be_null("patient_id")
    .expect_column_values_to_be_between("age", 0, 120)
    .expect_column_values_to_be_in_set("diagnosis", ["positive", "negative"])

# 生成监控报告
validation_results = df.validate(expectation_suite=expectation_suite)
validation_results.save_as_html("reports/data_quality.html")