ML 数据量启发基准
解决什么问题
判断一个团队手上的数据量，够不够支撑训练出一个有用的机器学习模型；不同任务类型对数据量的要求差异有多大。
核心内容
她给出一个粗略但具体的数据量基准，按任务复杂度分层：
- 简单图像分类（例如判断照片是不是一只狗）：哪怕只有大约 15-20 张标注照片，也有可能训练出可用的模型。
- 语音识别、复杂的 NLP 应用：需要成千上万条（thousands of）数据。
她强调这只是粗略经验判断（"the exact amount is hard to be defined"），实际所需数据量高度依赖具体任务；如果确实缺乏真实数据，团队有时会选择合成（synthesize）自己的假数据，只为了能有东西训练和测试模型。她也提醒，机器学习项目本身有完整的生命周期，"scoping 之后要面对的第一个大问题就是：到底需要多少数据、这些数据从哪里来"，这本身就是 AI 项目比常规产品项目更复杂的原因之一。
适用边界
这是 2023 年初、非数据科学家视角给出的粗略经验值，不是严谨的统计学习理论结论（她本人也说"数据科学家可能会有不同意见"）；不适用于严格评估具体任务所需的样本量，只能作为快速判断"这个想法离能训练模型有多远"的直觉起点。
关键引述 · 原话
"if you're trying to classify, if the photo is a category dog, obviously even if you have... like 15, 20 labeled photos, it's going to work. But if you want to create voice recognizers or complicated NLP applications, you're going to need thousands of [thousands] of data." — Marily Nika
关联卡片
与 mvp-fake-ai-with-prototype--marily-nika 配合使用：先用这个基准粗判断"我们现在的数据量够不够训练"，不够就应该用原型伪造代替真实训练。
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验