答案：以数据为中心的人工智能更关注优化数据集，而不是优化模型。
以数据为中心的方法能够系统地优化数据集，提高人工智能系统的精度。这种方法旨在为计算机输入高质量的数据，而不是修改模型设置。由于优化过的数据比原始数据能够产生更好的结果，人工智能专家认为以数据为中心的方法具有发展前途。
机器训练中的使用的训练数据由带标签的图片、文字、音频文件、视频和其他类型的数据组成。如果训练数据不符合标准，将会影响模型的应用效果。在自动驾驶领域，会导致严重的结果，因此训练数据的质量是人工智能发展的关键。
数据标注平台
数据标注的准确性和一致性决定了数据的质量。错误的数据标注会影响模型地创建，同时数据量不足也会影响模型的稳健性。
数据标注不仅包括标注数据的数量和质量，还涉及到创建模型的标签类型。即使”以模型为中心“的方法也无法计算出最优的数据标签。因此提供高质量、可扩展的标注数据是开发计算机视觉模型的第一步。无论您是执行目标检测、语义分割还是图像分类，都要在构建计算机模型之前对数据进行标注。
数据管理
以数据为中心的发展策略之一是数据稳定策略，这意味着您需要管理数据的生命周期。在创建模型前，监控数据集的开发十分必要。数据集在经过一系列过滤、排序、复制、组合、和查询的操作后，可达到元数据的层次。这能够为所有非结构化的数据提供一个安全的可视化层，从而帮助您更好的理解并获取大量的数据。
数据工程师、数据科学家、数据标注员可以借助功能强大的工具更快速、更高效地评估数据集。
自动化数据处理
随着人工智能项目的推进，自动化分析和数据管理将成为维护以数据为中心策略中最关键的部分。因此对数据集进行预处理和后处理操作与将模型投入生产同样重要。关键在于，它能保证您在不断优化模型的同时扩大工作规模，形成人机协同的工作模式。