CAO Feng，信息通信技术学院：数据是AI+改善公司发展

随着人工智能模型的持续出现，“以数据为中心”的共识越来越多。作为一个新的生产因素，数据确实成为人工智能的“石油”，从而有效地加强了公司的“ AI+”的发展；人工智能研究所的平台与工程系主任Cao Feng在“ AI+”的数据开发中对公司的主要价值进行了详细的解释，这是建立高质量数据集并促进“ AI+”公司数据开发数据问题的策略的方法。数据在促进AI+发展的公司中的重要性是，它已成为人工智能发展的核心促进者。 80％的高质量数据和20％的theSodel培训形成了更好的模型。大型传统耦合模型的训练阶段，例如DeepSeek V3，美国ES高质量数据具有超过100亿个令牌，并严格清洁和标记。对通用人工智能数据的需求继续在阶段增长，培训数据的数量和质量在建模能力中起着越来越重要的作用。其次，数据是实施模型方案和详细应用程序的基础。由于深入搜索R1模型是开源的，因此包括44家中央公司在内的200多家公司已经完成了Deep R1模型的适应和集成的部署。此过程需要在模型适应过程中使用高质量的行业数据进行监督。第三个是公司以前的要求建立开发“ AI+”的要求。公司是促进AI+应用程序的支柱，是促进高价值行业应用程序方案的关键力量。拥有大量高质量数据积累的公司可以首先垂直行业的降雨更高模型，这些行业促进行业应用于人工智能。同时，在应用和研发迭代期间收集了更高质量的数据集资源，以形成“数据方向盘”，从而进一步改善模型性能并促进智能水平的持续改进。当公司促进“ AI+”的发展时，高质量的数据集是什么？高质量的数据集需要t的“三个高”属性。首先，高价值应用程序，高质量的数据集针对大Eschigh Value Field eNALES，从而产生较高的收率。第二个是高知识密度，高质量的数据集应包括更多的专业知识和技能，并具有跨学科融合的特征。第三个是高科技内容，数据的质量通过智能，人类Mac的协作注释等技术大大提高Hine和合成数据。公司面临以下问题以促进高质量数据集的构建：首先，客观位置是模糊的。公司通常会陷入“数据中数据”的错误概念，智能方案的要求与数据集的构建目标脱节，无法将数据工程目标深深地限制为中心的商业指标，这使得很难翻译模型的性能改进的价值，并创建了封闭的优化机制，以实现“数据续集”。第二个是实现路线的碎片。从数据收集到模型培训的整个链接都没有系统的计划和设计，并且无法形成系统数据集的构建和维护，这种机制使得很难统一多个来源的非统一数据标准，这使得很难协作部门和级别，何时统一H导致数据处理成本（例如清洁和标签）的增加。第三，技术基础正在减弱。缺乏适应行业特征，低自动化，严重的人才，项目实施效率和缺乏工业特征的工具链，使数据处理技术很难满足复杂人工智能方案的需求。解决了AI+公司开发中的数据问题，以涵盖数据收集，包皮，标签，评估，合成和交换的整个生命周期的新一代数据工程。它强调了数据的规模和多样性，但重视质量，有效性和依从性。首先，高级别的数据注释会增加数据集的供应能力。注意力集中在自动化和智能注释工具上，采用多模式数据注释技术，技术TEC的集成Hniques逐渐成为一种趋势。持续学习和反馈机制的引入鼓励了数据注释质量和效率的双重提高。作为国家数据机构特别人工智能团队的主要单位，中国信息与通信学院的技术完全支持建造国家数据的标签基础，并促进了业务数据标签能力的改进。其次，是通过评估和反馈机制来促进更好的数据质量。质量评估和反馈机制是深入的，随着多模式数据质量评估框架的快速发展，动态数据质量监控系统正在逐渐改善。中国信息与通信技术学院已启动了与人工智能数据有关的五种行业标准，并建立了其第一个工程评估系统完整的情报周期数据cial。当前，人工智能数据集（ADAQ）的质量评估系统已正式发布。目前，中国商业集团，中国建筑集团和中国物流集团已批准ADAQ的质量资格，一些中央公司从那时起就进行了详细的合作。第三个是积极研究新技术的使用，例如合成数据来解决大型模型数据中的瓶颈。合成数据构成了大规模培训数据的有效补充，该数据量更大，数据质量更好，数据的多样性，保护隐私和安全性，并应用于自主驾驶和金融服务领域。中国信息和通信学院技术编译并构成了标准行业要求“数据生成和管理合成人工智能”，该技术为数据服务提供商提供指导s关于合成人工智能数据和应用功能开发的生产，并为需求利益相关者提供数据应用程序和选择规范。数据允许公司标准化，使用智能工具提高数据生产效率，以确保具有合规性和可靠框架的数据元素的安全分配。