# Everyone wants to do the model work, not the data work

###### tags : `Study Meeting`　`研究の進め方`

## :cat: Paper Info

Conference : SIGCHI

Paper : [PDF](https://storage.googleapis.com/pub-tools-public-publication-data/pdf/0d556e45afc54afeb2eb6b51a9bc1827b9961ff4.pdf)

Refs :

<br>

## :palm_tree: Abstract

AI系の研究者はデータの扱いとかの裏方的作業ではなく，モデルの構築に注力しがち．
ハイリスクなタスク（人名に関わる等）においてAI適用を実装したエンジニア53人にアンケートを取った結果を掲載．
そこからデータの大事さ，データを軽視することによって生じるカスケードを回避する方法について考察している．

<br>

## :fireworks: Method

４つのPrimary Cascades

### 1: 環境要因

環境差によって生じる異変

### 2: 分野の知識が全くない状態でプロジェクトを進める

毎回毎回のプロセスの中で専門家の意見を聞くわけではない

AI Practicorが勝手に判断するとこのCascadeがおこる
→GroundTruthの勝手な定義，Finding Representive Data(分布の偏り)

### 3: Conflicting reward system

データ収集に対するRewardが低い
→モチベーションのないデータ収集

データを収集してもらう点に価値が置かれていない

### 4: 文章化されていない

言語化不足によって生じるミスコミュニケーション，データの収集ミス

<br>

## :bar_chart: Discussion

データ収集は面倒くさいものだと捉えられているけど，重要な要素
→もっと重要視していくべき

- データの品質自体を具体的に評価する指標が必要
- データ作成に関するインセンティブを上げていく必要がある
- データコレクションの段階から教育すべき

<br>

## :ledger: Memo

<br>