高质量数据集｜建设三大难点
25年3月国家数据局发文“建设高质量数据集,让人工智能更聪明”，提到“高质量数据集构建是一项复杂而关键的任务，需要了解模型应用场景和需求，进而开发、构建和维护数据资源，提供持续有效的高质量数据集”。5月中国信息通信研究院人工智能研究所发文 “从“经验驱动”到“标准驱动” 推动人工智能高质量数据集建设”，提出高质量数据集建设的 “三大难点” ，本质上揭示了当前数据工程从 “量的积累” 转向 “质的提升” 过程中，在目标对齐、流程管理、技术支撑三个核心维度存在的系统性障碍。这三个难点相互关联、相互影响，共同制约着数据集从 “可用” 到 “高质量可用” 的跨越。以下结合具体场景说明：
1、目标定位模糊化：“数据生产” 与 “业务需求” 的脱节
我们常常提到“场景驱动",而在落地时就存在目标、做法不明确，数据人员干完发现无法满足业务团队要求的数据质量要求。目标定位模糊的核心问题是数据集建设缺乏明确的价值导向，陷入 “重数量轻质量、重采集轻应用” 的误区。
具体表现
企业或团队往往将 “数据量” 作为核心指标（如 “收集 100 万条样本”），却未明确这些数据要服务于哪些具体的智能场景（如 “用这些数据训练的模型要解决什么业务问题？提升哪些核心指标？”）。例如，某制造业企业为训练设备故障预测模型，收集了大量设备运行日志，但未聚焦 “故障前 24 小时的关键参数波动” 这一核心需求，反而纳入了大量无关的环境数据（如车间温湿度的非异常记录），导致数据集看似庞大，却无法有效提升模型的故障预警精度。
深层原因
数据工程团队与业务团队的割裂。数据团队可能更关注 “技术可行性”（如能否采集到数据），而业务团队未清晰传递 “场景必要性”（如模型需要识别哪些关键特征才能支撑决策），导致数