人工智能 分析和机器学习 (ML) 的数据质量 第4部分：数据质量流程框架

[中文适用范围]： 本文件建立了通用的组织方法，无论申请组织的类型、规模或性质如何，以确保分析和机器学习 (ML) 训练和评估的数据质量。它包括以下数据质量流程指南：——关于用于训练 ML 系统的数据标记的监督 ML，包括训练数据标记的通用组织方法；——无监督 ML；——半监督 ML；——强化学习；——分析。本文件适用于来自不同来源的训练和评估数据，包括数据采集和数据组成、数据准备、数据标记、评估和数据使用。本文件未定义特定的服务、平台或工具。 [外文原描述]： This document establishes general common organizational approaches, regardless of the type, size or nature of the applying organization, to ensure data quality for training and evaluation in analytics and machine learning (ML). It includes guidance on the data quality process for: — supervised ML with regard to the labelling of data used for training ML systems, including common organizational approaches for training data labelling; — unsupervised ML; — semi-supervised ML; — reinforcement learning; — analytics. This document is applicable to training and evaluation data that come from different sources, including data acquisition and data composition, data preparation, data labelling, evaluation and data use. This document does not define specific services, platforms or tools.