PulseAugur
中
实时 00:04:43
English(EN) Rethinking Data Quality for AI-Driven Systems: Evidence from Practitioner Interviews

AI从业者将数据质量的定义从输入扩展到模型行为

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新论文探讨了从业者如何定义、评估和管理人工智能驱动系统中的数据质量，超越了将数据视为纯粹输入的传统观点。该研究基于对16名从业者的访谈，确定了六个关键主题，包括可追溯性从调试转向归因模型行为的变化，以及当模型本身评估质量时引入的循环性。研究还强调了对合成数据真实性的担忧，以及合法性和代表性在基础模型训练数据中的关键作用。 AI

影响 这项研究将数据质量重新定义为人工智能系统的关键工程和组织问题，影响着信任和结果。

排序理由 该集群包含一篇详细介绍人工智能系统数据质量实证研究的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI从业者将数据质量的定义从输入扩展到模型行为

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Hariharan Gopinath, Jan Bosch, Helena Holmstr\"om Olsson ·

    重新思考AI驱动系统的数据质量：来自从业者访谈的证据

    arXiv:2609.31191v1 Announce Type: cross Abstract: Data quality research has usually treated data as an input that is stored, processed, and validated. In AI-driven software-intensive systems, data also shapes model behavior, evaluation, and lawful use. Empirical evidence remains …

相关实体

相关话题