28、边缘AI：从数据集构建到应用设计的全面指南

边缘AI：从数据集构建到应用设计的全面指南

1. 持续构建数据集的重要性

在机器学习领域，MLOps（机器学习运营）是与机器学习项目运营管理相关的工程领域。考虑MLOps的一个重要原因是，通过添加新数据和训练更好的模型，使机器学习应用能够随着时间的推移得到改进，这是对抗生产机器学习项目大敌——数据漂移的重要工具。

现实世界是不断变化的，而我们的数据集只是某个时刻的快照，最终会失去代表性。基于陈旧数据集开发的算法在实际应用中往往效果不佳。因此，持续收集更多数据至关重要。持续收集数据有以下好处：
- 对抗数据漂移 ：确保训练和部署的模型是最新的，能在现实世界中良好运行。
- 评估设备性能 ：边缘AI算法常部署在连接性较差的设备上，难以测量其性能。有了新数据，就能了解部署在实际设备上的算法性能，若性能下降可及时更换设备。
- 提升模型泛化能力 ：更多的数据意味着数据集中有更多自然变化，有助于训练出能更好适应现实世界条件的模型。

从以数据为中心的机器学习角度来看，数据收集应成为迭代开发反馈循环的一部分。当发现应用或模型存在不足时，可以确定有助于改进的额外数据类型。若有一个能持续改进数据集的良好系统，就能形成反馈闭环，构建更有效的应用。

2. 持续改进数据集的障碍

在现实项目中，持续改进数据集面临诸多挑战，例如：
- 硬件限制 ：数据收集可能需要仅临时部署在现场的定制硬件。
- 数据收集方式 ：数据收集过程可能