人工智能、机器学习、大模型技术规模化落地后,行业长期存在“重模型、轻数据”的普遍问题。传统通用数据质量标准(如ISO 8000)仅适配传统业务结构化数据,无法覆盖AI场景专属需求,包括模型训练数据集、标注数据、多模态非结构化数据、第三方外购数据集的质量管控,存在明显适配盲区。
同时,企业AI项目普遍面临数据失真、样本偏差、标注错误、数据缺失、数据集版本混乱、供应链数据不可控等问题,直接导致模型精度不足、算法偏见、决策失误、模型迭代返工率高,不仅增加企业研发成本,还带来AI伦理风险、应用安全风险,制约AI技术商业化落地。
全球AI监管体系逐步完善,欧盟AI法案、各国生成式AI管理规范、数据安全与个人隐私相关法规,均对AI训练数据的真实性、完整性、合规性、可追溯性提出强制要求。市场亟需一套专属AI与机器学习场景、可落地、可审计、可认证的国际数据质量管理标准,填补AI数据治理的标准化空白。此外,全球AI产业协同、跨境AI产品落地、政企招投标采购,都需要统一的数据质量评价与管理准则,解决行业数据管控标准不一、公信力缺失、质量无法量化核验的行业乱象。