人工智能与大数据开发中，华盛顿大学教授Pedro Domingos总结的12个注意点值得重视：
数据质量与规模（注意1-3）
数据未必可靠——分布偏差、缺失值、格式不统一等问题普遍存在。规模至关重要，小数据上有效的算法在大数据集上可能失效，而更多数据训练的简单算法往往优于受“维度诅咒”限制的复杂模型。同时，计算需要时间，响应速度直接影响商业应用成败。
算法选择与局限（注意4-6）
不同算法扩展能力各异，设计时需考虑并行化可行性。没有万能算法，需针对场景选择。数据也非万能，先验知识结合数据能事半功倍。
训练与泛化（注意7-9）
参数微调可能导致训练时间从数秒变为数小时。机器学习目标在于泛化能力，需通过交叉验证等手段验证。高维空间中，人类直觉常常失灵。
特征与模型（注意10-11）
特征工程至关重要，仅靠“扔数据”无法获得好结果。模型组合（如集成学习）能显著提升精度，Netflix冠军队伍即组合了超百个模型。
因果关系（注意12）
相关不意味着因果，海盗减少与全球变暖的调侃正是例证——需警惕未被观察的第三变量。
以上要点帮助AI应用从实验室走向实践时更稳健强大。