微信扫码
与创始人交个朋友
我要投稿
设置的方式就是点击上方的公众号名称,然后再点击右上角的“...”,就可以看到“设为星标”了。
大模型的三要素之一便是数据,没有数据作为基石,就没有大模型的诞生。
大模型的预训练就是,在大规模无标注数据集上进行模型的训练,目标是让模型学习自然语言的基础表达、上下文信息和语义知识,为后续任务提供一个通用的、丰富的语言表示基础(把全网数据都学习一遍)。那么在数据的质量管理就尤为重要了。
数据质量管理主要用来解决“数据质量现状如何,谁来改进, 如何提高,怎样考核”的问题。数据质量也是数据治理流程里的核心,关系着后续任务的准确度。
可以说高质量的数据是一切数据应用的基础。对大模型也是如此,高质量的数据,将会获得一个高精准度的大模型。
在进行数据质量管理的时候,首先的一个便是数据质量问题产生的来源。原因有很多方面,比如技术、管理、流程等。造成质量问题的原因通常很复杂。
我看了很多资料,大差不差的:
当业务流程或系统发生变更时,如果没有正确地更新数据流程或数据模型,可能会导致数据质量问题。
在数据开发过程中,如果存在编程错误或逻辑错误,可能会导致数据不准确或不一致。
如果处理数据所需的硬件资源(如存储、内存、CPU等)不足,可能会影响数据处理的效率和质量。
如果支撑数据存储和处理的基础设施(如数据库、网络等)不稳定,可能会导致数据丢失或处理错误。
当谈到数据质量管理的时候,必须有一个数据质量评估的标准,有了这个标准,才能知道如何评估数据的质量,才能将数据质量量化,并知道改进的方向,以及如何评估改进后的效果。目前业内认可的数据质量标准有如下几类。
(1)准确性:描述数据是否与其对应客观实体的特征一致。 举例:用户的住址是否准确;某个字段规定应该是英文字符,在其位置上是否存在乱码。
(2)完整性:描述数据是否存在缺失记录或缺失字段。 举例:某个字段不能为null或空字符。
(3)一致性:描述同一实体同一属性的值在不同的系统中是否一致。 举例:男女是否在不同的库表中都使用同一种表述。例如在A系统中,男性表述为1,女性表述为0;在B系统中,男性表述为M,女性表述为F。
(4)有效性:描述数据是否满足用户定义的条件或在一定的取值范围内。 举例:年龄的值域在0~200之间。另一个枚举的有效性例子是银行的币种代码。
(5)唯一性:描述数据是否存在重复记录。 举例:身份证号码不能重复,学号不能重复。
(6)及时性:描述数据的产生和供应是否及时。 举例:生产数据必须在凌晨2:00入库到ODS(OperationalData Store,操作数据层)。
(7)稳定性:描述数据的波动是否稳定,是否在其有效范围内。 举例:产品质量抽样统计的合格率,不会有超过20%的波动范围。
(8)连续性:描述数据的编号是否连续。 举例:有关部门处理环保违法案件,案件的编号必须是连续的。
(9)合理性:描述两个字段之间逻辑关系是否合理。 举例:企业注销时间必须晚于注册时间,自然人的死亡时间必须晚于出生时间。
以上数据质量标准只是一些通用的规则,还可以根据客户数据的实际情况和业务要求对其进行扩展,如进行交叉表数据质量校验等。
有了数据质量的评判标准,就可以以此作为参考,对数据进行改正,以提高数据质量,那么又是如何进行数据质量标准进行任务化呢? 这就是数据质量建设的方法->质量稽核
在数据加工任务中,对产出表按照业务规则,设计一些校验逻辑,确保数据的完整性、一致性和准确性,这是提升数据质量最行之有效的方法。
通常建议你在数据产出任务运行结束后,启动稽核校验任务对数据结果进行扫描计算,判断是否符合规则预期。如果不符合,就根据提前设定的强弱规则,触发不同的处理流程。
如果是强规则,就立即终止任务加工链路,后续的任务不会执行,并且立即发出电话报警,甚至我们要求,关键任务还要开启循环电话报警,直到故障被认领;如果是弱规则,任务会继续执行。
但是存在风险,这些风险会通过邮件或者短信的方式,通知到数据开发,由人来进一步判断风险严重程度。
上面是为了提高数据质量,而实施的一些措施。
需要针对每个任务需要根据数据质量评判标准,进行稽核任务编排,在编排完毕之后需要到表字段里进行校验。
整个流程是比较麻烦的,而且如果你不对数据了解,那么想要高质量的数据,则都得把质量标准流程都走一遍。
因此,思考是否可以利用大模型对数据质量进行校验。
根据通用型质量规则数据对大模型微调,并结合知识库的方式设计流程,最后利用微调后的大模型对数据进行稽核。
(1)大模型微调
数据质量标准,是大数据领域的特定数据。
因此,可以把数据质量标准,制作成问答对,对通用大模型进行微调,让它掌握数据质量的标准规则。
一般而言,可以把最为通用的质量标准进行微调。
(2)知识库
数据来自于不同的场景,那么针对数据的评判是不同的。可以把自己业务领域,对数据质量特定的标准进行嵌入知识库方式,给于大模型准确的回答。
最后,利用微调后的大模型 + 知识库的方式对样例数据进行质量稽核。
·················END·················
• 智能客服新时代:大模型驱动的智能客服• 智能体:全自动大模型日报V1.0• AI搜索:商业化落地案例
• 数据中台建设方法论从0到1• 数据中台方法论:数据汇聚• 可信数据空间:一文读懂• 智能体平台的探索与集成:打造个人的智能助手
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-12-25
颠覆GPT!Meta推出大型概念模型LCM: 从“猜词”到“理解”
2024-12-25
构建 AI Agent
2024-12-25
AI趋势:顶级风投a16z预测2025
2024-12-24
OpenAI刚刚发布O3和O3-Mini--彻底改变我们与人工智能的交互方式
2024-12-24
2025,AI世界的“大厦已成”,红杉资本的三大AI预测
2024-12-24
国内AI“六小龙”概览
2024-12-24
「深度」O1意义被大大低估!OpenAI核心科学家重磅发声:测试时计算将引爆AGI时代!
2024-12-24
AI大牛解析o3技术路线!大模型下一步技术路线已现端倪?
2024-05-28
2024-08-13
2024-04-26
2024-08-21
2024-07-09
2024-06-13
2024-08-04
2024-04-11
2024-07-18
2024-07-01