?譯者 | 布加迪

審校 | 孫淑娟

數(shù)據(jù)革命如火如荼。未來五年內(nèi)創(chuàng)建的數(shù)字數(shù)據(jù)總量將是迄今生成的數(shù)據(jù)總量的兩倍，非結(jié)構(gòu)化數(shù)據(jù)將定義這個倡導(dǎo)數(shù)字體驗的新時代。

非結(jié)構(gòu)化數(shù)據(jù)指不遵循傳統(tǒng)模型或不適合結(jié)構(gòu)化數(shù)據(jù)庫格式的信息，占所有企業(yè)新數(shù)據(jù)的80%以上。為了準(zhǔn)備迎接這個轉(zhuǎn)變，許多公司在尋找創(chuàng)新的方法，管理、分析和盡量利用業(yè)務(wù)分析和人工智能等各種工具中的所有數(shù)據(jù)。但決策者也遇到了一個老問題：如何維護和改善龐大笨拙的數(shù)據(jù)集的質(zhì)量？

機器學(xué)習(xí)是解決之道。現(xiàn)在，機器學(xué)習(xí)技術(shù)方面的進步使組織能夠有效處理非結(jié)構(gòu)化數(shù)據(jù)，并改進質(zhì)量保證工作。隨著數(shù)據(jù)革命方興未艾，貴公司在哪里遇到了難題？是面臨一大堆寶貴但難以管理的數(shù)據(jù)集，還是使用數(shù)據(jù)推動業(yè)務(wù)向前發(fā)展？

非結(jié)構(gòu)化數(shù)據(jù)需要的不僅僅是復(fù)制粘貼

準(zhǔn)確、及時、一致的數(shù)據(jù)對于現(xiàn)代企業(yè)的價值無可爭議，它與云計算和數(shù)字應(yīng)用程序一樣重要。盡管如此，糟糕的數(shù)據(jù)質(zhì)量仍然使公司/企業(yè)每年平均損失1300萬美元。

為了解決數(shù)據(jù)問題，您要運用統(tǒng)計方法來測量數(shù)據(jù)形狀，這使數(shù)據(jù)團隊能夠跟蹤變化、剔除異常數(shù)據(jù)，并消除數(shù)據(jù)漂移?；诮y(tǒng)計方法的控制對于在做出關(guān)鍵決策之前判斷數(shù)據(jù)質(zhì)量，確定應(yīng)該如何以及何時使用數(shù)據(jù)集仍很有價值。雖然這種統(tǒng)計方法有效，但通常保留用于結(jié)構(gòu)化數(shù)據(jù)集，這類數(shù)據(jù)集適合客觀定量的測量。

但是那些不完全適合Microsoft Excel或Google Sheets的數(shù)據(jù)該如何是好？包括：

• 物聯(lián)網(wǎng)：傳感器數(shù)據(jù)、股票數(shù)據(jù)和日志數(shù)據(jù)
• 多媒體：照片、音頻和視頻
• 富媒體：地理空間數(shù)據(jù)、衛(wèi)星圖像、天氣數(shù)據(jù)和監(jiān)視數(shù)據(jù)
• 文檔：文字處理文檔、電子表格、演示文稿、電子郵件和通訊數(shù)據(jù)

當(dāng)這些類型的非結(jié)構(gòu)化數(shù)據(jù)發(fā)揮作用時，不完整或不準(zhǔn)確的信息很容易進入到模型。如果錯誤無人注意，數(shù)據(jù)問題就會越積越多，對季度報告和預(yù)測預(yù)估等各項工作造成嚴(yán)重破壞。從結(jié)構(gòu)化數(shù)據(jù)到非結(jié)構(gòu)化數(shù)據(jù)的簡單復(fù)制粘貼方法不夠，實際上可能會使業(yè)務(wù)變得更糟。

常說的“垃圾進垃圾出”非常適用于非結(jié)構(gòu)化數(shù)據(jù)集。也許是時候拋棄當(dāng)前的數(shù)據(jù)方法了。

機器學(xué)習(xí)用于保證數(shù)據(jù)質(zhì)量時要注意的事項

考慮非結(jié)構(gòu)化數(shù)據(jù)的解決方案時，機器學(xué)習(xí)應(yīng)該是首選。這是由于機器學(xué)習(xí)可以分析海量數(shù)據(jù)集，并在雜亂數(shù)據(jù)中快速找到模式。如果借助正確的訓(xùn)練，機器學(xué)習(xí)模型可以學(xué)習(xí)解釋、組織和分類任何形式的非結(jié)構(gòu)化數(shù)據(jù)類型。

比如說，機器學(xué)習(xí)模型可以學(xué)習(xí)為數(shù)據(jù)分析、清理和規(guī)模推薦規(guī)則，從而使醫(yī)療保健和保險等行業(yè)的工作更高效更精確。同樣，機器學(xué)習(xí)程序可以按非結(jié)構(gòu)化數(shù)據(jù)源（比如社交媒體上或電子郵件記錄中的數(shù)據(jù)源）中的主題或情緒，識別和分類文本數(shù)據(jù)。

當(dāng)您通過機器學(xué)習(xí)改進數(shù)據(jù)質(zhì)量工作時，記住幾個關(guān)鍵的注意事項：

• 實現(xiàn)自動化：數(shù)據(jù)解耦和校正等手動數(shù)據(jù)操作乏味又耗時。鑒于當(dāng)今的自動化功能，它們也是日益過時的操作，自動化功能可以處理乏味的日常操作，使數(shù)據(jù)團隊能夠?qū)Ｗ⒂诟匾?、更高效的工作。將自動化納入到數(shù)據(jù)管道中，只需確保已落實了標(biāo)準(zhǔn)化的操作程序和治理模型，以鼓勵圍繞任何自動化活動進行簡化、可預(yù)測的流程。
• 不要忽視人的監(jiān)督：數(shù)據(jù)的復(fù)雜性總是需要一定程度的專業(yè)知識和只有人類才能提供的上下文，無論是結(jié)構(gòu)化數(shù)據(jù)還是非結(jié)構(gòu)化數(shù)據(jù)。雖然機器學(xué)習(xí)及其他數(shù)字解決方案會幫助數(shù)據(jù)團隊，但不要光依賴技術(shù)。相反，讓團隊能夠利用技術(shù)，同時對單個數(shù)據(jù)流程定期監(jiān)管。這種兼顧可以糾正任何現(xiàn)有技術(shù)措施無法處理的數(shù)據(jù)錯誤。之后，可以根據(jù)這些差異來重新訓(xùn)練模型。
• 檢測根本原因：出現(xiàn)異?；蚱渌麛?shù)據(jù)錯誤時，這常常不是單一事件。如果收集和分析數(shù)據(jù)時忽略更深層次的問題，貴企業(yè)會面臨整個數(shù)據(jù)管道出現(xiàn)普遍性的質(zhì)量問題這一風(fēng)險。即使是最好的機器學(xué)習(xí)計劃也無法解決上游產(chǎn)生的錯誤，選擇性的人工干預(yù)再次可以夯實整體數(shù)據(jù)流程，并防止重大錯誤。
• 質(zhì)量方面不要做假設(shè)：要長期分析數(shù)據(jù)質(zhì)量，應(yīng)想方設(shè)法來定性測量非結(jié)構(gòu)化數(shù)據(jù)，而不是對數(shù)據(jù)形狀做出假設(shè)。您可以創(chuàng)建和測試“假設(shè)分析”場景，以開發(fā)自己的獨特的測量方法、預(yù)期輸出和參數(shù)。使用您的數(shù)據(jù)運行實驗提供了一種確定的方法來計算數(shù)據(jù)質(zhì)量和性能，您可以自動測量數(shù)據(jù)質(zhì)量本身。這個步驟確保始終進行質(zhì)量控制，并且作為數(shù)據(jù)攝取管道的基本功能，而不是事后添加上去的。

非結(jié)構(gòu)化數(shù)據(jù)是帶來新機遇和新見解的寶庫。然而，目前只有18%的組織利用其非結(jié)構(gòu)化數(shù)據(jù)，而數(shù)據(jù)質(zhì)量正是阻礙更多企業(yè)的主要因素之一。

隨著非結(jié)構(gòu)化數(shù)據(jù)變得越來越流行，并與日常業(yè)務(wù)決策和運營更緊密相關(guān)，基于機器學(xué)習(xí)的質(zhì)量控制提供了亟需的保證：您的數(shù)據(jù)是相關(guān)、準(zhǔn)確、有用的。如果您沒有在數(shù)據(jù)質(zhì)量方面卡殼，就可以致力于使用數(shù)據(jù)推動貴公司向前發(fā)展。

想想當(dāng)您有效控制數(shù)據(jù)或者更好的是讓機器學(xué)習(xí)為您處理工作時帶來的種種機會。

原文標(biāo)題：??Solve the problem of unstructured data with machine learning???，作者：Edgar Honing?