[通信行业网络新闻]（记者Zhao Yan）在数字经济期间，数据成为推动社会运营的主要因素。但是，不再是屏幕和合并的大量数据仍然存在内源性问题，例如数据噪声，不对称性和低完整性。通过可靠的使用来开发可持续数据价值是很难转换的。只有使用系统的集成才能完整的图片显示 - 这是数据集的值。一组清洁，标记和结构化的数据不仅是人工智能培训的“营养”，而且还为发展数字双胞胎的发展而建立了基础，并实现了科学发现。 DISTET：这是什么？数据集是由一系列数据组成的集合。在国家标准GB/T 36344-2018“信息数据数据数据数据信息信息信息信息数据信息信息信息数据信息中，将其定义为具有一些可以识别和计算机的主题的数据集。 “ Qian Minghu中国人民大学科学研究系的I表示，数据集是人工智能工程。随着新数据继续添加，数据集可以继续改善和丰富。行业专家说，我们可以将数据集与书籍目录进行比较。数据，标题，日期，出版日期和其他书籍信息等于Datata集合中的变量设置了产业链：每个链接都与数据供应和应用程序循环的整个生命周期的数据产业链合作。当前，工业数据集链已经形成了一个封闭循环，涵盖了“采集存储处理应用程序”，并且每个链接链接还促进了数据元素的发布。在数据获取方面，非传统的IT渠道（例如物联网和智能系统）贡献了超过90％的世界数据。预计2025年的全球数据量将超过175zb，Chi的年增长率将超过175ZBNA的数据量表高达24.9％，领先世界的增长率。在存储和管理链接中，云计算和分布式存储技术促进了受欢迎程度，MGA数据管理工具（例如元数据管理和区块链证据存储）逐渐成为企业的常见设备。分析，AI和机器研究技术的处理和层促进了数据处理的跳跃效率。在2025年，大数据和业务分析市场的全球规模将超过3330亿美元，并且在金融，医疗服务和其他领域的数据审查模型将大规模应用。目前生产高质量数据集的挑战，随着深度发现的迅速发展和良好评估模型的广泛扩展，低数据集成的对比，低质量供应和低使用效率变得越来越流行，并且开发高质量数据集的iSIT的重要性变得更加明显。中国电子信息行业发展研究所主任张李（张李高质量的数据集，我们需要全面考虑许多方面，例如数据质量，数据安全性，技术复杂性，实时，数据管理和DA量，目前仍然存在许多挑战高质量数据的S很低，并且中国数据的大小很小。相关研究表明，适用于人工智能的数据集可以在2026年至2032年之间耗尽所有语言数据质量。数据循环的开放性不够，并且获得公共数据的渠道并不顺利。数据标记的水平不足，数据集的输出与数据增长率不符。 2023年，我国的总产量达到32.85 ZB，同比增长22.44％。但是，目前，我国数据的数据相对聪明且专业，专业数据处理人员的数量很大，数据集的输出很小，并且某些专业数据集不能大规模制定，因此很难满足专业场景的需求。数据集的质量不均匀，缺乏高价值的基本数据。使用数据集的混合物会影响训练的影响。相关r研究表明，在大型模型的基准测试中，相关数据用于模型训练的情况变得更加普遍，从而导致诸如记录的测试分数，拒绝概括能力以及无关任务执行的急剧崩溃，这可能导致大型实际应用中的“风险”。数据集标准是不同的，并且尚未显示不同行业中主要数据值集集的领先和驾驶角色。当前，高质量数据集的标准系统需要改进，缺乏评估和检查数据质量的统一标准，并且缺乏政府和基本行业领域的基本价值的标准数据集。数据使用的效率很低，算法偏置加剧了数据丢失，并且数据值挖掘的明显缺点。中国信息与通信技术学院副馆长Wei Liang撰写了艺术ICLE指出，首先，政府和行业不知道该行业质量发展的Kin Kinrequirquements是什么样的数据。一方面，大型行业模型的数据具有需求差异的差异。不同的工业部门对模型方案数据有不同的要求，涉及评估，决策和各种活动的几代人的需求。在建设高质量人工智能数据的各种性需求中，我们必须对业务情景有深刻的了解。另一方面，大型行业模型的数据具有需求复杂性的特征。大型模型涉及不同的阶段，例如预训练，微调，反馈强化学习等。不同的阶段涉及培训和优化技术，这需要大量DATA资源和许多类型的数据进行集成和对齐，这增加了数据的复杂性和管理处理。其次，行业公司不知道如何开发高质量的数据集。大数据模型的构建主要包括在数据收集，数据清洁，数据注释和质量检查等关键链接中。每个链接都必须根据大规模，适当差异和强大的行业特征的特征来进行有针对性的技术研发和适应。但是，行业公司的数据理解不同，并且缺乏大型模型的数据管理经验。传统的数据和技术处理和技术处理工具无法满足大型模型的需求。需要识别高级数据处理技术和工具，以提高数据处理效率和准确性。第三，该行业不了解如何检查行业数据集的质量。数据的完整性和各个行业和不同数据源的准确性可能是不明的n严重影响了大型模型预言的训练和准确性的影响，从而导致了浪费的培训来源。此外，获得培训数据通常需要大量的时间和经济成本，包括数据收集，清洁，标签和其他链接。通过实际构建大型行业模型，没有针对构建和购买的数据的统一测量标准，从而导致无法有效地获得高质量的数据集来源。它将建造吗？高质量数据集的构建尚未在一夜之间实现，而是一个复杂而系统的过程。目前，在顶级设计级别上，国家数据局和其他17个部门同时发布了“三年的“数据×元素”动作计划（2024-2026）（2024-2026）”，从而增强了场景的驱动力，推动了高质量的数据元素供应，并有效地循环，并在构建中取得了积极的发展。数据。 2025年2月19日，在北京启动了高质量数据集的会议，以及包括国家发展与改革委员会，包括国家发展与改革委员会，包括国家发展与改革委员会，科学技术部，工业和信息技术部参加了会议。在下一步中，数据集的构建数据集将积极促进“人工智能 +”行动的实施，加速了许多地标的发展，并赋予了行业的高质量发展。全面的行业专家建议，高质量数据集的构建应遵循“风景驱动的场景，质量和制定合规性的基础”的原则，以生成涵盖整个生命周期的管理系统。要求锚定，阐明应用程序方案的目的以及反向数据维度和质量标准。建立数据要求列表，涵盖数据类型，量表和频率更新。 ?在数据收集项，源控制和多源融合?中。 ?收集，设备标准化和听觉过程的标准化。按照处理数据，形成工业和质量闭环。 ?在数据管理术语中，改善整个生命周期管理系统。 ?在生态合作，共同构建和共享和释放价值的术语中。高质量数据集的构建必须包括在“需求准确性，标准收集，工业化工业化，系统管理和应用程序场景”的五个主要逻辑中。随着研究和合成数据等技术的时代，数据集生产将在未来的自动化和智能上变化，这将成为鼓励数字经济发展的新基础设施。