袋鼠云2026人工智能高质量数据集建设与应用实践白皮书

袋鼠云人工智能高质量数据集建设与应用实践白皮书2版权声明本报告版权属于杭州玳数科技有限公司（简称袋鼠云），受《中华人民共和国著作权法》及相关法律法规与国际公约的保护。任何未经袋鼠云书面授权的商业使用行权。如确有需要以非商业目的对本报告内容进行转载或使用的，应当注明“来源：杭任何违反本声明的行为均构成对袋鼠云合法权益的侵害，任何不当或未经授权使用本报告所引发的争议及后果，袋鼠云均不承担任何责任，并保留依法追究相关责任袋鼠云人工智能高质量数据集建设与应用实践白皮书3编制说明面向“十五五”新周期，人工智能正加快融入产业发展和企业经营管理。随着大模型、智能体、多模态与具身智能持续演进，数识沉淀和智能应用落地的重要基础。高质量数据集作为连接数据资源与人工智能应用当前，高质量数据集建设正由单一的数据整理工作，逐步发展为覆盖数预处理、标注、质量验证和持续运营的系统工程。不据边界；与此同时，行业知识、业务规则和专家经验也正在以更加规范的方式进入数袋鼠云作为长期服务大型企业与重点行业，持续参与数据开发、数据治理、多模态数据处理、高质量数据集建设及AI应用实践。基于相关项目经验和行业研究，我们联合行业专家、业务顾问及一线产品与交付团队，共同编制《人工智能高质量数据集建设与应用实践白皮书》，系统梳理高质量数据集的政策背景、概念分类、建设方本白皮书旨在为企业提供一套兼顾政策导向、技术方法与业务实践的高质量数据集建设参考，帮助企业围绕人工智能应用持续提升数据供给能力，推动高质量数据集袋鼠云人工智能高质量数据集建设与应用实践白皮书5引言：高质量数据集夯实产业智能化应用基础人工智能正加速融入实体经济、产业运行和企业经营管理过程。随着大模型技术持续演进，企业智能化建设的关键问题逐步聚焦到数据基础：模型能否理解行业知于企业是否具备持续、规范、可信的高质量数据供给能力。国家数据集建设指引》指出，人工智能研发重点正由“重点优化模型架构化”演进，高质量数据的作用日益凸显，并提出“‘人工智能+’行动到哪里，高质量数据本白皮书所称高质量数据集，是指面向人工智能模型开发、训练、验证和应用需求建设的高质量数据集。按照相关标准，高质量数据集是经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能有效提升模型性能的数据集合。其核心对象和环境关系等三维空间数据也开始进入部分仿真训练、空间理解和具身智能场景，进一步丰富企业面向AI的数据来源。这些数据承载着企业经营规则、行业知质量不稳、标注不充分、更新机制不清晰等问题。数据资源需要经过系统治理、加在企业建设实践中，高质量数据集与数据治理、大模型建设之间具有紧密关系。基础数据治理支撑通识数据集建设，服务通用大模型的基础能力供给；行业数据治理与多模态数据治理支撑行业通识数据集建设，服务行业大模型和知识库构建；业务数据治理与多模态数据治理支撑行业专识数据集建设，服务垂类业务大模型训练和具体袋鼠云人工智能高质量数据集建设与应用实践白皮书6义化和场景化处理，才能成为模型能够学习、检高质量数据集建设是一项面向长期应用的数据工程。TC609《高质量数据集建设务场景组织数据，围绕模型任务定义质量标准，围绕应用效果完善评测机制，业务专家、数据团队、算法团队和应用团队协同，形成持续运行的数据集建设与运营本白皮书围绕企业智能化落地过程中的高质量数据供给能力建设展开，系统梳理人工智能高质量数据集的建设背景、认知框架推进路径。白皮书重点关注企业在通识数据集、行业通识数据集和行业专识数据集建设中的差异化需求，结合袋鼠云在数据治理、多模态数库、模型训练和智能应用支撑方面的实践经验，为企业推进高质量数据集建设和行业袋鼠云人工智能高质量数据集建设与应用实践白皮书7图1：白皮书框架与脉络概览袋鼠云人工智能高质量数据集建设与应用实践白皮书8 袋鼠云人工智能高质量数据集建设与应用实践白皮书9 袋鼠云人工智能高质量数据集建设与应用实践白皮书第一章高质量数据集建设背景：数据供给能力成为产业智能化新竞争力控制和客户服务等专业场景。企业对AI的要求也更加具体：既要理解通用知识，也要理解行业术语、业务规则和专业经验，并能够结合真实业务数据形成稳定、可信的这一变化进一步凸显了数据的基础作用。模型提供通用的理解与推理能力，企业自身的数据和知识决定其进入专业业务后的适配深度。高质量数据集正在成为连接企（一）技术演进：专业场景持续提升高质量数据价值通用大模型已经具备较强的语言理解、知识问答和内容生成能力，显著降低了企业应用人工智能的技术门槛。随着应用深入产业核心环节，模型面对的任务更加专与此同时，人工智能处理的数据形态持续扩展。结构化业务数据之外，设备时要理解数据所对应的业务对象、时间状态、上下文关系和专业含义，才能支撑更加复袋鼠云人工智能高质量数据集建设与应用实践白皮书大模型的发展也推动数据工程进一步引入领域专家。专业人员参与术语定义、规则梳理、复杂样本判断和模型结果校准，使企业长期形成的行业知识能够更加系统地数据规模仍然重要，数据的专业程度、知识密度、质量水平和场景适配能力正在成为产业AI应用的重要影响因素。（二）政策驱动：高质量数据集成为“人工智能+”的重要数据基础近年来，我国持续加强人工智能与数据要素协同发展，高质量数据集逐步成为支表1：高质量数据集相关政策总览2026年6月，国家数据局印发《关于推进行业高质量数据集建设行动的实施方服务、价值释放等专项行动，进一步强调需求牵袋鼠云人工智能高质量数据集建设与应用实践白皮书同期，工业和信息化部、国家数据局推进“模数共振建设与行业模型、专用模型、特色智能体和高价值应用场景进一步结合，工业制造、金融服务、医疗健康、交通运输、能源等专业领域的数据资源和行业知识成为重要建图2：高质量数据集政策核心聚焦方向二是聚焦场景。以真实业务任务确定数据集范围和质量要求，提高数据建设与实三是强化验证。通过模型和业务应用检验数据集质量，并将应用过程中产生的问高质量数据集建设由此更加紧密地进入产业智能化进程，成为行业模型、业务智（三）企业现实：丰富的数据资源仍需进一步转化为AI数据供给袋鼠云人工智能高质量数据集建设与应用实践白皮书.业务数据关联仍需加强。企业信息系统通常按照不同业务流程建设，同一客户、.非结构化与多模态数据价值有待深入释放。技术规范、工艺图纸、合同报告、图.企业专业经验仍缺少系统的数据表达。工艺经验、风险判断、管理规则、故障案例等行业Know-how长期分布在文档、历史案例和专业人员经验中，需要通过知.数据质量需要进一步结合模型任务评价。除准确性、完整性、一致性等传统质量数据资源已经大量积累，能够持续支撑模型训练、知识检索和智能应用的专业数据供给仍然不足。（四）价值重构：高质量数据集连接数据治理与智能应用高质量数据集建设建立在企业已有数据基础之上，并进一步围绕人工智能任务组量数据集则进一步融入业务语义、行业知识、多模态数据和模型任务，使治理后的数袋鼠云人工智能高质量数据集建设与应用实践白皮书图3：高质量数据集核心价值体系.提升高质量数据供给能力。围绕具体业务任务组织多源数据，明确数据来源、业.沉淀企业行业知识。将技术标准、业务规则、工艺经验、风险判断和历史案例形成规范的数据表达，使企业长期积累的行业Know-how逐步转化为能够持续管理.支撑智能应用持续优化。模型应用过程中产生的错误案例、知识缺失和业务反数据治理夯实数据基础，高质量数据集沉淀专业知识，模型与智能应用持续检验和释放数据价值。随着人工智能进一步深入产业核心业务，高质量数据集也将逐渐成为企业AI能力的重要组成部分。企业能够沉淀多少高价值数据、形成多深的行业知识表达，以及袋鼠云人工智能高质量数据集建设与应用实践白皮书第二章高质量数据集认知框架：概念、分类与企业建设重点高质量数据集已经成为企业人工智能建设中的重要数据形态。对于企业而言，首图4：企业建设高质量数据集应该明确的三类问题按照国家数据局及全国数据标准化技术委员会相关文件，高质量数据集已经形成较为明确的概念和分类框架。在此基础上，企业还需要结合自身数据基础、行业知识（一）概念内涵：高质量数据集以人工智能任务为明确导向“经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能有效提升模型性能的数据的集合。”这一概念明确了高质量数据集的核心特征：数据需要经过针对性的处理，并与人等，都可以成为高质量数据集的数据来源。但这些原始数据通常按照业务系统和管理需求组织，进入人工智能应用后，还需要进一步根据模型任务确定数据范围、处理规袋鼠云人工智能高质量数据集建设与应用实践白皮书l6特征描述数据对象及其属性，是模型理解数据的重要信息；标签承载分类、状设备健康诊断时，还需要关联设备型号、运行工况、异常事件、维修记录和故障类型。面向合同智能审查的数据，则需要进一步关图5：高质量数据集需要同时关注三个层面高质量数据集由此成为一种面向人工智能任务进行组织、加工和持续管理的数据（二）分类体系：从模型使用阶段与行业属性理解高质量数据集高质量数据集可以根据不同建设目标和应用需求进行分类。对于企业人工智能实前者关注数据在模型训练、优化和评测过程中承担什么作用，后者关注数据所承载知识的专业程度以及适用范围。两个维度相互独立，又共同影响数据集的组织方袋鼠云人工智能高质量数据集建设与应用实践白皮书按照数据在模型开发与评测过程中的作用，高质量数据集可以划分为训练集、验.验证集主要用于模型训练过程中的效果验证和方案优化。通过在验证集上比较不同.测试集主要用于模型完成训练后的独立评测，用于检验模型面对未参与训练和优化图6：训练集、验证集与测试集在模型开发过程中的作用袋鼠云人工智能高质量数据集建设与应用实践白皮书在实际建设中，训练集、验证集和测试集需要根据具体任务进行合理划分，并结合模型表现持续检查数据覆盖、样本分布和质量状态，使数据集能够真实反映模型能按照数据所承载知识的专业程度和适用范围，高质量数据集可以进一步划分为通识数据集、行业通识数据集和行业专识数据集。三类数据集体现了从公共知识、行业图7：高质量数据集按行业属性分类通识数据集主要包含社会公众通常无需专业背景即袋鼠云人工智能高质量数据集建设与应用实践白皮书其特点是知识覆盖范围广、专业门槛相对较低，主要支撑通用模对于企业而言，这部分能力通常更多依赖通用模型及公共知识体系，企业自身进行业通识数据集面向特定行业，包含需要一定专业背景才能准确理解的行业领域例如，制造业的行业标准、生产管理知识和通用工艺规范，金融行业的监管规行业通识数据集能够帮助模型建立对某一行业的系统认知，使其理解行业语言、技术机理、标准规范和共性业务规则，主要支撑行业模型、行业知识库以及行业共性行业专识数据集面向更加具体的业务场景，承载需要较深专业背景和实践经验才袋鼠云人工智能高质量数据集建设与应用实践白皮书行业专识数据集与具体业务任务联系最为紧密，也是企业沉淀自身行业Know-表2：三类高质量数据集的区分与应用框架（三）企业重点：行业专识数据集成为沉淀业务知识的重要载体通用模型已经能够提供较丰富的基础知识，行业公开标准、专业文献也能够帮助模型建立行业认知。但模型进入企业实际业务后，还需要理解组织自身的产品、客制造企业可能采用不同的设备型号、工艺流程和质量规则；不同银行具有自己的客户体系、风险政策和信贷管理方法；不同集团的经营指标体系、管理制度和业务流行业专识数据集的建设价值，正是在于将这些专业内容形成更加规范的数据表袋鼠云人工智能高质量数据集建设与应用实践白皮书2l图8：高质量数据集多源融合体系领域专家在这一过程中具有重要作用。专业人员需要参与术语定义、标签设计、复杂样本判断、业务边界确认和模型结果复核，使数据集能够准确表达真实业务逻因此，企业建设行业专识数据集的过程，也是企业梳理、量数据集将三者按照具体场景组织起来。（四）建设关系：数据治理、高质量数据集与模型应用协同建设袋鼠云人工智能高质量数据集建设与应用实践白皮书识关系、业务规则和专业标签需要形成规范表达；数据质量还需要结合模型任务和应图9：通识数据集建设逻辑数据，形成具有行业共性的知识体系，支撑行业模型、行业知识库和行业智能应图10：行业通识数据集建设逻辑袋鼠云人工智能高质量数据集建设与应用实践白皮书图11：行业专识数据集建设逻辑表3：数据治理—高质量数据集—模型与智能应用关系这一框架用于说明企业数据体系与人工智能应数据治理解决基础数据问题，高质量数据集形成面向模型的数据供给，模型与智能应用进一步检验数据的实际价值。随着模型应用持续运行，新的业务问题、错误案例和专业（五）建设重点：围绕高价值场景形成企业数据集体系更加合理的方式，是结合人工智能应用规划确定建设优先级，并围绕高价值场景袋鼠云人工智能高质量数据集建设与应用实践白皮书图12：高价值场景选择的三个关键维度.业务价值。场景是否具有较高的人工投入、专业判断要求、经营价值或风险影.数据基础。相关数据、文档和历史案例是否具有一定积累，关键数据是否具备持.验证条件。能否通过模型效果、专家评价或业务指标判断数据集是否满足任务需通识数据集提供基础认知，行业通识数据集沉淀行业共性知识，行业专识数据集承载企业自身专业能力。三类数据集共同构成企业面向人工智能的数据供给体系，其中行业专识数据集与企业实际业务结合最为紧密，也将成为企业高质量袋鼠云人工智能高质量数据集建设与应用实践白皮书高质量数据集建设不是对既有数据进行一次集中清洗和整理，而是一项围绕人工智能任务持续运行的数据工程。其建设过程既要解决数据从哪里来、如何加工、怎样保证质量等传统数据工程问题，也要进一步回答数据能否支撑模型理解业务、完成任按照《高质量数据集建设指南》的生命周期，高质量数据集建设包括数据需求、根据具体人工智能任务选择开展；模型验证发现的问题，还可以反馈至前序阶段，推袋鼠云人工智能高质量数据集建设与应用实践白皮书图13：高质量数据集建设六阶段结合企业实际建设过程，本白皮书将上述六个阶段进一步归纳为“规、采、预、袋鼠云人工智能高质量数据集建设与应用实践白皮书图14：高质量数据集建设链路（一）总体方法：以业务任务组织高质量数据集建设高质量数据集与传统数据项目最大的差异，在于其建设目标与人工智能任务直接例如，一份设备维修记录用于统计维修次数时，只需要保和维修类型等字段准确；如果用于设备故障诊断，还需要进一步关联运行参数、故障袋鼠云人工智能高质量数据集建设与应用实践白皮书一份合同用于档案管理时，关注的是文件完整性和归档规范；用于智能合同审查图15：高质量数据集四维对象映射体系.应用效果检验数据质量。模型和业务应用成为判断数据集是否达到目标的重要依业务任务定义→数据需求与规划→数据资源采袋鼠云人工智能高质量数据集建设与应用实践白皮书图16：企业完整的数据工程链路其中，前五个环节完成数据集生产，模型验证和应用反馈则持续推动数据集更这种建设方式使数据工程与人工智能应用形成直接联系，避免数据建设与实际业（二）规：将业务需求转化为明确的数据集建设任务“规”包括标准生命周期中的数据需求和数据规划两个阶段，是整个数据集建设工这一阶段需要完成一次关键转换：将“希望建设某个AI应用”的业务语言，转化袋鼠云人工智能高质量数据集建设与应用实践白皮书图17：清晰的数据集任务需要回答的六个关键问题史问答等知识内容；面向金融智能尽调，则需要企业首期建设不宜追求覆盖全部业务数据，更适合优先选择价值明确、数据基础图18：人工智能任务对应的数据需求拆解袋鼠云人工智能高质量数据集建设与应用实践白皮书对于复杂产业场景，仅确定数据表和文件通常还不够，还需要提前梳理业务对象例如，设备健康管理需要形成：设备—设备型号—运行工况—实时参数—异常事金融风险管理可能需要形成：客户—账户—交易—授信—担保—关联主体—风险传统数据质量重点关注准确性、完整性、一致性和及时性。面向AI任务后，还需要关注数据是否充分覆盖业务场景，关键样本是否具有代表性，专业标签是否准例如，知识问答更关注文档完整性、版本有效性史样本、异常样本和标签准确性；图像识别则更加关注图像清晰度、样本因此，高质量数据集不存在完全脱离场景的统一质量阈值，数据质量需要与任务袋鼠云人工智能高质量数据集建设与应用实践白皮书图19：前期规划七大核心规范与清单企业高质量数据集的数据可能同时来自业务数据库、数据仓库、设备系统、数据采集阶段需要解决两个问题：一是把需要的数据稳定获取出来，二是尽可能采集过程中除了保证数据完整，还需要重点关注业务主键、数据口径和对象一致袋鼠云人工智能高质量数据集建设与应用实践白皮书同一客户可能在CRM和财务系统具有不同编码，同一设备可能在设备管理系统因此，结构化数据采集通常需要同步结合主数据、一个温度数值本身很难说明设备是否异常，还需要结合设备型号、运行负荷、生图20：时序数据采集五项重点保障袋鼠云人工智能高质量数据集建设与应用实践白皮书尤其是制度、标准和技术文档，其内容通常存在版本变化。如果模型调用失效或只有建立这些关系，多媒体数据才能由孤立文件转化为具有业务价值的数据样（四）预：将原始数据预加工为AI能够理解的数据内容袋鼠云人工智能高质量数据集建设与应用实践白皮书数据预处理因此是高质量数据集建设中最重要图21：数据预处理模态类型及标准结构化数据通常需要完成字段映射、格式转换、数据清洗、重复处理、缺失处例如，“客户状态”“设备状态”“订单状态”等字段往往具有明确业务含义，不同系通过主题建模、实体关联和指标口径治理，可以进一步将分散业务数据组织为面PDF、Word、扫描件、表格和图文混排文件中可能包含标题、章节、正文、表袋鼠云人工智能高质量数据集建设与应用实践白皮书这些加工使文档逐渐由“文件”转化为模型能够检索和理解图片数据需要根据业务任务进行质量筛选、分辨率处理、去噪、裁剪和内容增工业视觉等场景还需要关注不同光照、角度、设备类型和缺陷类型的数据覆盖情例如产品缺陷图片如果能够关联产品型号、工序、生产批根据业务场景，可以通过抽帧、事件切分、对象跟踪和内容理解提取关键音频数据则可以通过语音识别、说话人区分、文本清洗等方式，将声音内容进一预处理的重点并不是将所有视频和音频全部转化，而是根据任务提取真正影响模袋鼠云人工智能高质量数据集建设与应用实践白皮书时序数据除了清洗异常值和缺失值，还需要进行时间对齐在设备预测和生产控制场景中，可以进一步将连续时序数据与故障事件、维护记设备诊断可能同时需要传感器曲线、故障图片、维修记录和设备手册；金融尽调可能需要结构化企业数据、财报、合同和外部风险信息；工业工艺场景可能同时涉及经过这一阶段，企业原始数据逐步形成结构规范、业务语义明确、上下文完整且（五）标：将专业规则和专家经验沉淀为任务样本知识库检索、文档问答等应用经过充分的数据治理和知识加工后，可以直接进入袋鼠云人工智能高质量数据集建设与应用实践白皮书工业设备故障需要专业工程师判断故障类型，制造质量需要熟悉工艺和质量标准的人员判断缺陷，金融风险需要业务专家参与风险标签设计，医疗场景中的数据处理图22：数据标注的三大核心机制对于存在灰色边界的复杂场景，还需要给出正反样例和争议处理规则，使不同标机器承担高频和基础工作，业务专家重点处理低置信度、复杂和高价值样本，可袋鼠云人工智能高质量数据集建设与应用实践白皮书专家可以对模型预标结果进行复核，对争议样本进行判断，并根据实际业务情况过去依靠人员经验判断的“什么属于异常”“什么情况需要预警”“什么条件下采用某（六）验：通过模型和业务应用检验数据集质量传统数据质量评估主要关注数据自身属性，而高质量数据集还需要回答：这些数据能否有效支撑人工智能模型完成预期任务。模型验证因此成为生命周期中的关键环图23：模型验证核心机制袋鼠云人工智能高质量数据集建设与应用实践白皮书例如，术语定义是否准确，风险规则是否符合实际业务要求，工艺参数是否有模型表现能够进一步验证数据集是否具有足够的业务支袋鼠云人工智能高质量数据集建设与应用实践白皮书图24：七大维度数据问题归因通过对问题进行人工复核和原因分类，可以将错误问答、漏识别样本、异常判断和用户纠正结果重新沉淀为训练、验证和评测数据，使数据集逐步覆盖更多复杂业务（七）全周期管理：建立持续的数据集质量与运营机制工艺规则也会不断调整。模型能力升级后，对数据形态和质量的要求也可能发生变袋鼠云人工智能高质量数据集建设与应用实践白皮书图25：高质量数据集全生命周期管理体系当业务制度调整、产品版本升级、设备型号变企业可以针对重点数据集配置质量规则，持续监测数据缺失、异常、版本过期以数据集需要能够说明数据来自哪里、经过什么加工、由谁负责以及被哪些模型和数据血缘能够帮助企业在上游数据发生变化时及时判断影响范围，也为问题追袋鼠云人工智能高质量数据集建设与应用实践白皮书需要结合数据分类分级建立访问权限、脱敏、安全审计和使用范围控制，确保数业务人员反馈模型结果和业务规则变化，算法团队反馈模型BadCase和样本需求，数据团队负责定位数据问题并推动数据集更新。通过持续运营，高质量数据集逐图26：高质量数据集持续飞轮迭代袋鼠云人工智能高质量数据集建设与应用实践白皮书企业高质量数据集建设由此形成持续演进的数据工程，使专业数据、行业知识和袋鼠云人工智能高质量数据集建设与应用实践白皮书第四章袋鼠云高质量数据集建设方案：构建面向AI的数据供给与应用支撑体系组织、模型训练与应用验证等多个环节。各环节如果分散建设，容易形成数据重复搬运、加工工具割裂、质量规则不统一、数据集缺少版本管理以及业务反馈难以回流等袋鼠云基于长期多模态数据智能平台建设与数据治理实践，将传统面向数据开发、治理、资产和服务的数据能力进一步延伸至人工智能场景，形成覆盖多源数据采图27：数据采集-治理-应用全链路其建设重点是围绕真实业务任务建立一套能够持续运行的数据生产机制：明确场景需要什么数据，持续获取相关数据，按照不同模态完成专业加工，通过治理与标注形成可管理的数据集，再进入知识库、模型和应用进行验证，并利用实际应用反馈持袋鼠云人工智能高质量数据集建设与应用实践白皮书（一）总体方案：建立面向AI应用的高质量数据集工程化建设体系袋鼠云高质量数据集建设方案以业务场景和人工智能任务为牵引，依托企业既有的数据平台、数据治理和数据资产基础，构建覆盖数据资源、数据汇聚融合、AI-Ready加工、数据资产与知识组织、智能标注验证及应用服务的一体化建设体系。整体采用“分层建设、治理贯穿、场景驱动、持续图28：袋鼠云高质量数据集解决方案总体架构等多种形态，并根据空间模型和具身智能等新型任务进一步纳入三维场景及空间数袋鼠云人工智能高质量数据集建设与应用实践白皮书建设过程中围绕具体AI场景开展数据资产盘点，明确数据来源、责任主体、更数据汇聚后进一步开展数据清洗、主数据管理和实体对齐，解决同一业务对象在不同系统中的编码、名称和口径差异，并将分散的数据围绕统一业务对象进行关联。提取；三维空间数据则进一步开展资产清洗、资语义向量等组织形式，并根据具体任务开展人机协同标注、训练样本生成和模型效果高质量数据集通过数据服务、知识服务和模型服务进入实际业务，可以支撑知识模型运行过程中产生的错误结果、知识缺失、人工修正和真实业务结果，也会进袋鼠云人工智能高质量数据集建设与应用实践白皮书最终形成：“业务场景驱动数据构建→多源数据汇聚融合→AI-Ready加工形成高质量数据集→数据支撑模型与应用→业务反馈回流→数据持续优化”的持续演进机制，为大模型、智能体、多模态模型和具身智能等应用提供稳定、专业的数据供图29：从数据资源到业务价值转化链路（二）多源数据汇聚与融合：形成统一、完整、可持续的数据供给基础高质量数据集建设的第一步，是将企业分散在不同系统、不同平台和不同业务环企业长期的信息化建设积累了大量数据资源，但这些数据通常分布于业务系统、数据平台、设备平台、文件资料库以及外部数据源中，制存在较大差异。同一业务对象也可能由于系统建设阶段不同，存在多个编码、袋鼠云人工智能高质量数据集建设与应用实践白皮书外部数据治理和数据血缘管理等能力，将分散的数据资源转化为可识别、可关联、可图30：全量数据汇聚与多源融合企业需要围绕具体业务场景和人工智能任务，对已有数据资源进行系统梳理，明盘点范围不仅包括传统业务系统中的结构化数据，也包括目、合同、工序等核心对象对应的数据来源和关联方式，形成面向AI应用的数据资通过数据资产盘点，企业能够明确“已有数据在哪里”“哪些数据能够支撑哪些AI袋鼠云人工智能高质量数据集建设与应用实践白皮书在完成数据资源梳理后，需要根据不同数据类型和业务需求建立统一的数据采集针对业务系统中的结构化数据，可以通过数据库同步、接口调用、文件交换针对设备、传感器和生产过程产生的时序数据，需要重点保障采集频率、时间连续性和设备状态关联，使设备参数能够进一步结合工况、事件和运行结果形成业务数录文件来源、版本、更新时间、业务分类等元数对于数字孪生、仿真和具身智能等新兴应用场景，还需要进一步纳入三维模型、场景资源、空间对象等数据，使企业数据体系能够覆盖二维业务数据和三维空间数通过统一数据汇聚，企业能够将不同来源、不同格式的数据纳入同一数据供给体袋鼠云人工智能高质量数据集建设与应用实践白皮书多源数据融合的核心，在于让不同系统中的数据能够围绕统一业务对象形成关在实际业务中，同一个客户可能存在多个系统编码，同一设备可能在生产、运如果缺少统一对象识别，模型只能获取孤立的数据片段，难以理解完整业务上下在此基础上，将对象属性、业务事件和关联关系进行统一组织，使数据从简单汇聚进一步转变为具有业务语义的数据体系，为后续知识图谱、语义检索、多模态融合袋鼠云人工智能高质量数据集建设与应用实践白皮书部分人工智能应用需要融合企业外部数据，包括行业数据、公共数据、生态数据对于接口类数据，需要关注接口稳定性、字段变化和数据更新情况；对于采购或通过外部数据接入治理，企业可以在保障数据可信、安全和合规的基础上，将更多行业知识和外部信息纳入高质量数据集建设体系，增强模型对行业环境和业务场景数据血缘记录数据来源、加工过程、转换规则、上下游依赖以及最终服务的数据当数据源发生变化、加工规则调整或模型效果异常时，可以通过血缘关系快速定同时，数据血缘也是数据质量管理、安全审计通过多源数据汇聚与融合建设，企业能够形成从数据资源发现、统一接入、业务关联到全过程追溯的数据基础能力，将原本分散的数据资源转化为面向AI应用的统一数据供给体系，为后续数据预处理、知识加工、专业标注和模型训练提供可靠支袋鼠云人工智能高质量数据集建设与应用实践白皮书完成多源数据汇聚后，企业仍需要进一步解决“数据如何被AI理解和使用”的问传统数据治理主要关注数据完整性、准确性和一致性，而面向人工智能的数据建设则进一步关注数据与模型任务之间的匹配关系。原始业务数据需要经过清洗、解对齐与知识沉淀、数据版本管理等环节，建立AI-Ready工程化加工体系，使企业数袋鼠云人工智能高质量数据集建设与应用实践白皮书但面向AI应用，数据质量评价标准需要进一步结合模型任务。例如，用于风险识别的数据需要关注标签准确性和样本覆盖度；用于设备诊断的数据需要关注状态标识、故障结果和时间关联；用于知识问答的数据则需要关注内容完整性、版本有效性高质量文档加工不仅需要提取文本内容，更需要保留原始知识结构。例如技术标准中的章节关系、合同中的条款逻辑、报告中的指标和结论，都需要在加工过程中保通过文档智能解析，将原本存储于文件中的专业知识转化为结构化知识单元，为仅完成文本解析还不足以支撑复杂AI任务，还需要进一步识别其中蕴含的关键通过实体识别、关系抽取和知识加工，可以从文档、记录和业务数据中提取客袋鼠云人工智能高质量数据集建设与应用实践白皮书和维修结果；在金融场景中，需要识别客户主体、关联关系、通过核心要素抽取，企业隐含在文本和数据中的专业知识能够进一步形成可计图33：多模态数据加工与处理链路一方面，通过规则校验发现明显的数据异常，例如字段逻辑冲突、时间关系错对于专业领域数据，还需要引入业务专家参与审核，对复杂规则、专业判断和低袋鼠云人工智能高质量数据集建设与应用实践白皮书通过自动校验与人工复核结合，降低错误数据进入训练和应用环节的风险，提高通过统一变量体系、语义映射、知识图谱和向量化处理等方式，建立企业业务语义体对于行业专识数据集而言，语义加工尤为重要。企业多年积累的行业经验、专家判断和业务规则，只有经过结构化和语义化处理，才能真正成为模型可学习、可调用针对模型训练和验证场景，还需要管理训练集、验证集、测试集之间的划分关当业务应用产生新的需求、模型出现新的问题或人工反馈新的知识时，可以基于通过AI-Ready工程化加工，企业原始数据能够进一步转化为结构规范、语义清晰、质量可信、可被模型使用的数据资产，为后续智能标注、模型验证和AI应用落袋鼠云人工智能高质量数据集建设与应用实践白皮书（四）数据资产与知识组织：将数据集转化为可管理、可复用的数据资产经过AI-Ready工程化加工后，数据已经具备进入人工智能任务的基础条件，但要实现长期管理和持续应用，还需要进一步建立面向数据集的数据资产管理与知识组与传统数据治理主要关注数据库表、字段和指标不同，高质量数据集管理对象更加丰富，既包括结构化数据表、指标和变量，也包括文档内容、知识单元、标签体通过数据资产管理和知识组织，企业能够明确数据集的来源、用途、质量状态和图34：数据资产与知识组织流程围绕不同业务场景和AI任务，需要建立统一的数据资产目录，对数据集名称、袋鼠云人工智能高质量数据集建设与应用实践白皮书例如，面向设备健康诊断的数据集，需要明确包含哪些设备对象、哪些运行参数、哪些故障案例以及适用于哪些分析任务；面向知识问答的数据集，需要明确包含通过数据资产目录，企业能够快速发现已有数据资源，避免重复建设，同时支持在高质量数据集建设过程中，需要围绕企业核心业务对象，对数据中的实体、属流程、指标、事件等业务对象进行关联，使分散的数据形成具有业务逻辑的知识网这种基于业务语义的数据组织方式，使模型能够理解企业专业知识，而不仅仅是袋鼠云人工智能高质量数据集建设与应用实践白皮书图35：数据模型资产沉淀含在业务流程和专家经验中的判断标准转化为模型可标签体系建设需要结合业务任务明确标签定义、标注规则和质量标准，并通过业通过样本管理，企业能够持续沉淀高价值业务经验，为模型训练和效果优化提供传统数据质量评价主要关注完整性、准确性、一致性等基础指标，而高质量数据袋鼠云人工智能高质量数据集建设与应用实践白皮书练场景需要关注样本覆盖度、标签准确性和数据分布合理性；视觉识别场景需要关注通过质量规则检测、人工抽检、模型评测和业务反馈相结合，形成数据质量持续同时，模型运行过程中产生的错误案例、低质量回答和人高质量数据集通常涉及企业核心业务数据和专业知识，需要在数据价值释放与安对于涉及敏感信息的数据，还需要根据应用场景进行匿名化、脱敏或安全计算处通过安全管理机制，企业能够确保数据来源清晰、使用过程可控、应用结果可追当模型效果下降、业务规则变化或新增应用场景出现时，可以基于历史版本进行袋鼠云人工智能高质量数据集建设与应用实践白皮书通过持续运营，高质量数据集能够不断吸收新的业务数据、专家经验和应用反通过数据资产与知识组织体系建设，企业能够实现从“拥有数据”到“管理数据”、从“管理数据”到“沉淀知识”的转变，使高质量数据集真正成为支撑模型训练、知识增（五）场景驱动的智能标注与模型验证：构建面向任务的数据闭环高质量数据集建设的核心目标，不仅是形成规模化数据资源，更是围绕具体人工经过前序的数据采集、加工和知识组织后，企业仍需要结合业务场景明确模型任化等环节，建立面向AI应用的数据标注与模型验证体系，使数据建设与模型能力提图36：场景驱动的智能标注与模型验证链路袋鼠云人工智能高质量数据集建设与应用实践白皮书在建设数据集之前，需要首先围绕业务目标拆解人工别场景中，需要定义风险类别、判断依据和预警规则；在设备诊断场景中，任务拆解过程中，还需要结合业务流程和实际使用方式，明确数据集需要覆盖的通过场景任务拆解，将“建设什么数据”转化为“解决什么业务问题”，为后续标注行业专识数据集建设通常涉及大量专业判断，仅依靠自动化处理难以满足业务准高处理效率；对于复杂业务内容，则需要由业务专家参与标签设计、样本审核和疑难例如，制造领域需要专家判断设备故障类型、质量缺域需要专业人员判断风险事件、客户关系和业务规则；医疗领域需要专业人员参与医袋鼠云人工智能高质量数据集建设与应用实践白皮书通过专家经验与自动化能力结合，将企业隐性的业务Know-how逐步转化为结构训练数据用于帮助模型学习业务规律，需要覆盖典型场景和关键样本；验证数据用于调整模型参数和评估模型表现；测试数据用于检验模型在真实环境中的泛化能例如，在风险识别任务中，不能只积累大量正常样本，还需要保证异常风险样本任务，需要关注回答准确性、知识覆盖度和结果可靠性；对于专业业务袋鼠云人工智能高质量数据集建设与应用实践白皮书高质量数据集建设不是一次性项目，而是随着模型应用不断演进的数据运营过模型上线后，真实业务使用过程中产生的新问题、新需求和人工修正结果，都是例如，智能问答中未覆盖的问题可以补充为新的知识样本；风险模型中的误判案通过持续收集业务反馈、补充数据样本、优化标签体系和更新模型评测集，形成“模型应用—问题发现—数据补充—模型优化”的数据飞轮。最终，高质量数据集能够随着企业业务发展持续积累专业知识，不断提升模型对图37：模型应用—问题发现—数据补充—模型优化”数据飞轮（六）安全合规与可信管理：保障高质量数据集全生命周期安全可控随着人工智能应用逐步深入企业核心业务，高质量数据集建设不仅需要关注数据袋鼠云人工智能高质量数据集建设与应用实践白皮书知识、敏感信息以及模型调用结果等多类内容，需要建立覆盖数据全生命周期的安全高风险场景管理、数据集生命周期管理等能力，保障高质量数据集在满足AI应用需图38：合规底线与安全管控链路高质量数据集建设涉及的数据类型复杂，不同数据具有不同安全等级和使用要企业需要结合业务属性、数据敏感程度和应用场景，对数据资源进行分类分级管分类分级不仅作用于原始数据，也需要覆盖加工后的数据集、训练样本、知识库通过建立统一的数据分类分级标准，企业能够明确不同数据的访问权限、使用范袋鼠云人工智能高质量数据集建设与应用实践白皮书在数据进入加工、标注和模型训练环节前，需要根据数据特点采取相应保护措针对结构化数据，可以通过字段脱敏、掩码处理、数据替换等方式降低敏感信息对于模型训练场景，还需要关注训练数据中的敏感信息记忆风险，通过数据筛部分AI应用需要融合多个数据源，但不同组织之间可能存在数据不可直接共享针对跨部门、跨组织的数据协同需求，可以通过隐私计算、安全多方协作等当模型输出结果出现异常时，可以追溯相关数据来源、处理规则和模型使用情对于知识查询、辅助分析等低风险应用，可以通过自动化方式提升使用效率；对于涉及经营决策、安全生产、风险判断等重要业务，需要建立更加严格的准入和审核例如，智能风险判断需要结合业务规则和人工审核；设备安全诊断需要结合专业在数据集运营过程中，需要持续记录版本变化、质量评价、使用情况和应用反当业务规则变化、模型效果下降或新增应用需求出现时，可以基于历史版本进行袋鼠云人工智能高质量数据集建设与应用实践白皮书通过生命周期管理，高质量数据集能够在安全可控的前提下持续积累企业知识和（七）数据智能应用支撑：以高质量数据集提升业务理解与决策智能应用体系，为知识获取、业务分析、辅助决策和智能体执行提供稳定的数据基数据智能应用所依赖的数据通常包括结构化业务数据、指标数据、时序义，将原本分散在不同系统和文件中的数据与知识进行关联，可以使模型获得更加完企业大量专业知识沉淀在制度规范、技术资料、产品文档、业务流程和历史中。这类内容经过解析、切分、知识抽取和知识数据集建设需要保留知识来源、章节结构、版本、适用范围以及之间的关系，并通过语义向量、知识图谱等方式形成可检索、可关联的知识组织体模型能够基于企业自身知识进行理解和生成。同时，知识来源和版本信息可以与模型袋鼠云人工智能高质量数据集建设与应用实践白皮书对于知识密集型业务，数据建设的重点还包括专业术语、业务规则和对象关系的统一表达。通过统一业务语义，可以减少同一概念在不同系统和部门中的表达差异，企业经营管理、生产运行和风险管理过程中产生的大量结构化数据、指标数据和时序数据，在完成标准统一、实体关联和特征加工后，可以进一步形成面向分析和决这类数据集需要同时包含业务事实、时间状态、指标口径、历史结果和必在实际应用中，模型可以基于统一的数据基础完成指标查询、异常识别、趋势分析、原因分析和辅助决策。对于需要跨系统分析的复杂任务，还可以通过业务对象关袋鼠云人工智能高质量数据集建设与应用实践白皮书图39：智能分析场景应用高质量数据集在这一过程中承担的是统一事实基础和业务语义的作用。模型获得的数据具有明确对象、时间、状态和业务含义的数据内容，从而提升分析结果与实际袋鼠云人工智能高质量数据集建设与应用实践白皮书随着大模型和智能体技术进一步进入企业业务流程，AI应用开始承担更加复杂的任务。业务智能体需要同时理解企业数据、专业知识和业务规则，并根据任务需要调因此，业务智能体对数据基础提出了更高要指标体系、知识内容、规则体系和历史任务样本进行统一组织，为智能体提供稳定的图40：袋鼠云业务智能体应用在任务执行过程中，智能体可以根据业务问题获取相关数据和知识，结合业务规则完成分析和判断，并通过工具调用完成后续任务。对于多步骤任务，还需要保证不智能体实际运行过程中形成的人工修正、任务结果和异常案例，也可以进一步沉淀为新的业务样本。随着这些数据持续积累，企业可以逐步形成面向特定业务流程的袋鼠云人工智能高质量数据集建设与应用实践白皮书通过数据智能应用，高质量数据集能够将企业长期积累的业务数据、知识和经验转化为可被AI理解和使用的数据基础，进一步支撑知识服务、分析决策和业务智能（八）空间智能应用支撑：构建连接真实空间与AI训练的数字场景体系当前处于什么状态以及能够发生什么交互。因此，空间高质量数据集除了需要描述对围绕这一需求，可以建立“真实空间数据采集—三维模型生成—空间资产治理—孪生场景开发—仿真数据生产—空间智能应用”的工程体系，使三维数字空间逐步具图41：三维空间高质量数据集建设及应用工空间智能数据建设首先需要根据场景范围、精度要求和AI任务选择合适的数据袋鼠云人工智能高质量数据集建设与应用实践白皮书图42：空间数据采集与三维模型生成链路对于设备密集、空间结构复杂或几何精度要求较高的区域，可以结合激光扫描和针对需要快速还原真实环境和视觉细节的工业现场、建筑内部及重点设备区域，还可以利用多视角照片或视频开展3DGS等实景重建。3DGS能够较好保留真实环境的视觉细节，但进入AI训练和物理仿真之前，还需要进一步补充统一坐标、对象语BIM、GIS和人工建模等方式，形成覆盖几何结构、视觉外观和业务对象的空间数据多源数据采集后，需要进一步开展统一坐标转换、尺度校准、姿态校准和空通过这一过程，真实世界中的建筑、道路、设备和环境对象被转化为具有明确空袋鼠云人工智能高质量数据集建设与应用实践白皮书图43：三维资产治理与孪生场景开发对于3DGS、倾斜摄影和点云等实景数据，还需要进一步建立与业务对象之间的完成这些加工后，三维场景具备的已经不仅是视觉表达，还能够回答“某个对象在此基础上，可以进一步开展数字孪生场景开发，将标准化三维资产按照真实空袋鼠云人工智能高质量数据集建设与应用实践白皮书通过连接IoT、设备平台和业务系统，还可以将真实环境中的动态状态映射至数由此形成：“资产标准化→场景组织→仿真环境→数据生成→质量评估→在具身智能巡检场景中，可以将园区、车间和设备区域构建为机器人可运行的数训练过程中同步记录机器人位姿、运动轨迹、视觉和点云感知结图44：具身智能巡检场景应用袋鼠云人工智能高质量数据集建设与应用实践白皮书在低空智能巡检场景中，高质量数据集通常需要融合无人机可见光影像、红外热通过统一坐标系和时间基准，将不同传感器数据对齐至同一真实三维环境，建立低空巡检数据具有目标尺度小、背景复杂、观测角度变化大、正常而异常样本稀缺等特点，因此数据集建设还需要围绕小目标、遮挡、复杂光照在标注环节，可以结合检测框、实例分割等不同任务建立统一标签规范，并利用通过主动学习和高价值样本挖掘优先筛选困难样本进入训练集，提高有限标注投入的图45：低空智能巡检场景应用空间数据还可以进一步支撑工业仿真与资源调度。在港口、工厂产空间中，可以将设备、车辆、道路、作业区域景，并结合离散事件仿真等方式，对设备数量、资源配比、作业路径和调度策多方案仿真与效率评估，使空间数据进一步成为资源优化模型和智能调度应用的数据袋鼠云人工智能高质量数据集建设与应用实践白皮书图46：港口集装箱码头多资源协同调度域以及人员行为规则，构建不同时间、不同客流规模和不同突发条件下的人群活动模型，对人员聚集、通行效率、空间承载能力和疏散路径进行模拟。相关能力图47：大型赛事安保数字孪生指挥袋鼠云人工智能高质量数据集建设与应用实践白皮书运行和不同调度方案进行模拟分析。通过持续积累不同水情、工况和调度策略下的空间数据与仿真结果，可以进一步支撑防洪调度、水资源管理、设施运维以及智能预测图48：洪水演进方案预演模拟分析通过上述工程链路，空间智能高质量数据集逐步形成了一条面向物理世界的数据真实空间采集→三维模型生成→空间资产治理→孪生场景构建→仿真与合成数据生产→AI训练与空间智能应用。场景、空间语义、运行规则与仿真结果共同构成面向空间智能的高质量数据基础，为袋鼠云人工智能高质量数据集建设与应用实践白皮书第五章应用实践：高质量数据集驱动行业智能应用落地高质量数据集的建设价值，需要在具体业务任务和人工智能应用中得到验证。随着AI逐步深入生产制造、风险管理、临床辅助以及物理空间等专业场景，模型对数据的要求已经超越基础的完整性和准确性，更加关注业务语义、专业知识、场景关不同场景的数据基础和建设重点存在明显差异。装备制造需要融合经营生产数据、设备时序、工艺文档和专业经验，使模全的数据基础；具身智能则进一步将数据对象拓展至三维空间，通过三维场景、空间对象、属性与关系等数据，为机器人环境感知、导航和巡检等任务提供仿真训练与算这些实践表明，高质量数据集建设需要紧密围绕具体AI任务展开：以业务场景本章选取装备制造、金融信贷、医疗健康和具身智能四个具有代表性的应用方向，分别展示高质量数据集如何支撑工业Know-how沉淀、金融风险智能化、临床知识与患者管理，以及三维空间仿真训练。四类场景也体现出高质量数据集的数据边界正在不断扩展，由结构化业务数据、文档与多模态内容进一步延伸至具有空间结构和袋鼠云人工智能高质量数据集建设与应用实践白皮书（一）装备制造：某大型装备制造企业高质量数据集建设与智能应用实践装备制造具有产品结构复杂、工艺链条长、专业知识密集等特点。企的核心能力，大量沉淀在产品设计、工艺方案、之中。随着产品型号和生产场景持续丰富，这些专业知识对研发效率、制造质量和设经过多年信息化建设，企业已经积累了大量经随着AI开始进入工艺知识服务、设备管理等专业业务，原有数据体系逐渐暴露和质量等对象之间缺少完整的数据关联。模型即使能够读取某一份文档或某一条设备另一方面，大量高价值知识存在于图纸、文档和历史案例中。工艺规范可能包含复杂表格和专业参数，技术资料存在不同版本，历史工艺方案和设备维修案例分散存品适合什么工艺、某类设备故障应优先排查哪些因素，这些经验往往存在于专业人员袋鼠云人工智能高质量数据集建设与应用实践白皮书因此，企业希望围绕重点业务场景建设高质量数据集，将分散的项目围绕“多源采集—多模态处理—数据治理—专业数据集—知识与模型应用”建等业务对象建立数据标准、元数据、质量和业务关联数据建设过程中，重点关注三个方面：一是保证结构化、时序和非结构化数据能够围绕统一业务对象形成关系；二是使工艺规则、故障经验等专业知识形成模型能够图49：项目数据生产及应用链路图50：工艺设计场景高质量数据集建设流程历史工艺方案、产品资料、工程图纸、工艺规范和技术标准中蕴含大量价值的信息，但传统模式下主要依靠工艺人员按照文件名称、产品型号或个人经验进行查找。资料数量增加后，历史案例难以快速复用，不同人员对同类问题的处理也容项目首先对相关专业资料进行统一采集和分类，根据文档、图纸等不同数据形态针对技术规范和工艺文件，重点识别标题层级、参数、条款和表格尽可能保持完整的知识结构；针对不同版本的技术资料，则同步维护来源、版本和有与此同时，结合专业人员参与，对行业术语、关键工艺知识和典型历史案例进行校验和补充。部分依赖人员经验的工艺判断，可以进一步整理为规则、典型案例和专袋鼠云人工智能高质量数据集建设与应用实践白皮书最终形成面向工艺场景的专业知识数据集，为工艺资料检索、历史案例查询、技在实际使用中，工艺人员可以围绕产品、零部件或具体业务问题快速获得相关技术资料和历史案例，模型也能够结合企业自身工艺知识提供更加贴合业务环境的信息这一建设过程使企业工艺知识由分散文件进一步形成按照业务对象组织的数据内容，也使长期依赖人员经验传递的部分制造Know-how具备持续沉淀和复用的条件。图51：设备健康管理场景高质量数据集建设流程设备健康管理需要同时理解设备当前运行状态和历单纯使用设备实时参数，可以发现某项指标是否发生异常；要进一步判断异常可能对应什么问题、是否需要处理以及过去类似问题如何解决，还需要结合设备型号、因此，项目围绕设备对象，将设备基础属性、运行状态、传感器数据、报警信针对时序数据开展时间对齐、异常处理和状态加工，并进一步关联设备运行工袋鼠云人工智能高质量数据集建设与应用实践白皮书例如，一段异常运行数据不仅记录某一参数的变化，还同步关联发生时间状态、对应报警以及后续维修结果。这些信息能够帮助模型学习运行状态与真实故障针对设备说明书、维修资料和历史故障案例，则进行文档解析和知识加工，建立对于经过确认的故障和维修结果，可以进一步形成专业标签和典型样本，为设备设备管理人员对模型结果的判断同样具有较高的数据价值。新出现的故障案例、误报以及真实维修结论经过审核后，可以继续补充至数据集，使设备专业知识随着实通过高质量数据集