Οι συσκευές ακραίων σημείων, όπως αισθητήρες, κινητά τηλέφωνα και άλλες συσκευές του Διαδικτύου των Πραγμάτων (IoT), γίνονται όλο και πιο δημοφιλείς για τη συλλογή δεδομένων σε εφαρμογές μηχανικής μάθησης. Ωστόσο, η συλλογή και η επεξεργασία δεδομένων στην άκρη παρουσιάζει αρκετές μοναδικές προκλήσεις που πρέπει να ληφθούν υπόψη κατά τη δημιουργία ενός συνόλου δεδομένων μηχανικής μάθησης. Ακολουθούν ορισμένα βασικά χαρακτηριστικά ενός καλού συνόλου δεδομένων μηχανικής μάθησης που παράγεται στην άκρη:
Ποιότητα δεδομένων: Λόγω περιβαλλοντικών παραγόντων ή περιορισμών υλικού, τα δεδομένα που συλλέγονται στην άκρη μπορεί να είναι θορυβώδη. Ως εκ τούτου, είναι σημαντικό να διασφαλιστεί ότι τα δεδομένα είναι υψηλής ποιότητας, ακριβή και σχετικά με το εκάστοτε πρόβλημα.
Μέγεθος δεδομένων: Η χωρητικότητα αποθήκευσης, η επεξεργαστική ισχύς και η διάρκεια ζωής της μπαταρίας είναι συνήθως περιορισμένες. Ως εκ τούτου, το σύνολο δεδομένων θα πρέπει να έχει κατάλληλο μέγεθος ώστε να χωράει στους περιορισμούς της συσκευής, παρέχοντας παράλληλα αρκετά δεδομένα για την εκπαίδευση ενός ισχυρού μοντέλου μηχανικής μάθησης.
Διαφορετικότητα δεδομένων: Αυτό καθιστά απαραίτητο να διασφαλιστεί ότι το σύνολο δεδομένων είναι αρκετά ποικίλο ώστε να καλύπτει όλα τα πιθανά σενάρια που σχετίζονται με το υπό εξέταση πρόβλημα.
Ισοζύγιο δεδομένων: Ειδικά όταν πρόκειται για σπάνια γεγονότα ή ανωμαλίες. Imba lanced σύνολα δεδομένων μπορεί να οδηγήσουν σε μεροληπτικά μοντέλα και ανακριβείς προβλέψεις, επομένως είναι ζωτικής σημασίας η εξισορρόπηση του συνόλου δεδομένων για να διασφαλιστεί η δίκαιη εκπροσώπηση όλων των κλάσεων.
Προεπεξεργασία δεδομένων: Η προεπεξεργασία δεδομένων στην άκρη αποτελεί πρόκληση λόγω της περιορισμένης επεξεργαστικής ισχύος και αποθηκευτικής ικανότητας των συσκευών. Ως εκ τούτου, είναι απαραίτητο να εκτελούνται βήματα προεπεξεργασίας, όπως η κλιμάκωση και η κανονικοποίηση χαρακτηριστικών στην ίδια τη συσκευή ακμής, για να μειωθεί ο όγκος των δεδομένων που πρέπει να μεταδοθούν σε κεντρικό διακομιστή.
Επισήμανση δεδομένων: Η επισήμανση των δεδομένων στην άκρη μπορεί να αποτελέσει πρόκληση λόγω των περιορισμένων δυνατοτήτων απεικόνισης και της ανάγκης για ανατροφοδότηση σε πραγματικό χρόνο. Ως εκ τούτου, είναι ζωτικής σημασίας η ύπαρξη αποτελεσματικών μηχανισμών επισήμανσης που μπορούν να εκτελούνται γρήγορα και με ακρίβεια στην ίδια τη συσκευή ακμής.
Απόρρητο δεδομένων: Αυτό καθιστά ζωτικής σημασίας να διασφαλιστεί ότι το σύνολο δεδομένων συμμορφώνεται με όλους τους σχετικούς κανονισμούς για την προστασία της ιδιωτικής ζωής των δεδομένων. Η ανωνυμοποίηση ή η αφαίρεση ευαίσθητων πληροφοριών από το σύνολο δεδομένων μπορεί να συμβάλει στην προστασία της ιδιωτικής ζωής των ατόμων.
Συμπίεση δεδομένων: Η μετάδοση δεδομένων μέσω ασύρματων δικτύων με περιορισμένο εύρος ζώνης μπορεί να είναι δύσκολη. Οι τεχνικές συμπίεσης δεδομένων μπορούν να χρησιμοποιηθούν για τη μείωση του όγκου των δεδομένων που πρέπει να μεταδοθούν, διατηρώντας παράλληλα τις πιο κρίσιμες πληροφορίες.
H δημιουργία ενός καλού συνόλου δεδομένων μηχανικής μάθησης στην άκρη απαιτεί προσεκτική εξέταση της ποιότητας των δεδομένων, του μεγέθους, της ποικιλομορφίας, της ισορροπίας, της προεπεξεργασίας, της επισήμανσης, της ιδιωτικότητας και της συμπίεσης. Ακολουθώντας αυτές τις κατευθυντήριες γραμμές, τα μοντέλα μηχανικής μάθησης μπορούν να εκπαιδευτούν με υψηλή ακρίβεια και να αποδώσουν καλά σε δεδομένα που παράγονται σε συσκευές ακμής.