今天，机器学习正在成为组织多个业务部门的重要功能。机器学习程序在数据上运行，并且需要大量数据来训练机器，例如运转良好的发动机。然而，与大量数据相比，良好的数据质量对于获得所需的最终结果至关重要。数据管理处理数据质量，这使得分析应用程序给出的输出可信。分析应用程序使企业能够了解他们在行业中的地位。目前在技术行业取得的分析进步是显着的，但在数据质量方面还达不到标准，这可能对依赖机器学习程序的企业不利。更干净的数据机器学习系统需要更多数据，但数据在哪里？如果我们以零售业为例，数据可以收集多年。提取和收集数据后，应确定其质量。机器学习工程师的工作就是做到这一点，从业务角度将数据置于可理解的上下文中。机器学习工程师的职责工程师的首要职责应该是了解客户和客户群的需求。这意味着企业应该首先与机器学习顾问合作，他将指导如何使用机器学习来适应特定的商业模式。接下来，机器学习工程师将在领域专家的帮助下开始处理来自系统的数据，对数据进行标记和分类。这就是问题所在。大多数机器学习项目都是在没有领域专家的情况下进行的。这可能导致错误的数据分类、操作员错误或对机器学习系统输出的错误假设。机器学习工程师从一开始就花费大部分时间对数据进行分类，因此如果机器学习产品一开始就被赋予了错误的数据，那么错误就会从那里开始复合。这导致了无监督的机器学习。监督和非监督机器学习监督机器学习是指使用输入/输出对的示例将函数映射到其相应术语的过程。有了这样的模型，性能可以从零数据错误开始衡量。无监督机器学习与此相矛盾。它没有数据标签，也没有衡量算法性能的实用方法。使用这样的程序，目标是找出数据的底层结构并将其分为不同的类别。但是无监督机器学习有一个好处。这些算法能够看到人类可能不熟悉的数据模式。因此，在选择机器学习方法时，了解其在业务中的用途很重要。数据质量对于机器学习很重要。当所需的数据质量不符合业务要求时，无监督机器学习是救命稻草。它能够通过评估来自基于人工智能的程序的数据来提供精确的业务洞察力。但对于一个企业来说，没有一刀切的解决方案。
