90 Punkte sind erst die bestandene Marke: Wie genau baut und bewertet man hochwertige Datensätze

Zunächst ein unangenehmer Tatsache, der sich viele Menschen nicht stellen wollen.

Es ist hochwahrscheinlich, dass 90% der hunderte Terabyte an Daten, die auf den Server Ihrer Firma liegen, "Müll" sind - nicht in dem Sinne, dass sie unbrauchbar wären, sondern daten, die nicht professionell verarbeitet wurden und nicht den Standards für AI-Training entsprechen.

Im September 2025 hat die Nationale Datenbehörde 104 typische Fälle von hochwertigen Datensätzen veröffentlicht, die 11 Schlüsselbereiche wie Wissenschaftliche Forschung, industrielle Fertigung, Gesundheitswesen und Finanzdienstleistungen abdecken. Was bedeutet das? Von den unzähligen Datensätzen im ganzen Land wurden nur 104 als "typisch" eingestuft.

Das entspricht einem Anteil von weniger als 1%.

Am 3. Juli 2026 hat Liu Liehong, der Direktor der Nationalen Datenbehörde, auf dem Forum zur Entwicklung von Datenfaktoren der Globalen Digitalökonomiekonferenz angekündigt, dass die Ausarbeitung von nationalen Standards für die Formatvorgaben, Qualitätsevaluation und Datenbeschriftung von hochwertigen Datensätzen beschleunigt werden wird.

Die Standards sind an der Zeit. Das bedeutet, dass "hochwertig" in Zukunft kein vager Adjektiv mehr ist, sondern ein klarer, quantifizierbarer und messbarer harter Indikator.

Wie hoch ist die Mindestnote? 90 Punkte. Im 100-Punkte-System müssen alle drei Dimensionen mindestens 90 Punkte erreichen, um als "hochwertiger Datensatz" gelten zu können.

In diesem Artikel werden zwei Dinge erklärt: Wie man sie aufbaut und wie man sie bewertet.

I. Zunächst verstehen: Was ist ein "hochwertiger Datensatz"

Am 3. Juni 2026 hat die Nationale Datenbehörde das "Ausführliche Plan zur Förderung der Entwicklung von branchenübergreifenden hochwertigen Datensätzen" herausgegeben und eine klare Definition gegeben:

Ein branchenübergreifender hochwertiger Datensatz ist eine Sammlung von Branchen-Daten, die durch Datenerfassung, -verarbeitung und andere Maßnahmen verarbeitet wurden und direkt zur Entwicklung und zum Training von Künstlichen Intelligenz-Modellen verwendet werden können, um die Leistung der Modelle effektiv zu verbessern. Er umfasst sowohl allgemeine Branchen-Datensätze als auch branchenspezifische Datensätze.

Beachten Sie drei Schlüsselwörter:

"Verarbeitet" - Es reicht nicht aus, die Rohdaten einfach zu sammeln. Sie müssen professionell erfasst, gereinigt, verarbeitet und beschriftet werden.

"Direkt verwendbar" - Der Datensatz kann direkt zum Training des Modells verwendet werden, ohne dass weitere aufwändige Vorverarbeitungsschritte erforderlich sind. Dies wird in der Branche als "AI-Ready" bezeichnet.

"Effektiv verbessern" - Die Leistung des Modells wird tatsächlich verbessert, wenn der Datensatz verwendet wird. Es ist nicht so, dass das "Füttern" des Modells erfolglos ist, sondern es gibt nachweisbare Verbesserungen.

Dadurch wird ein hochwertiger Datensatz von normalen Datenressourcen klar unterschieden. Die Rohprotokolle auf Ihrem Festplattenlaufwerk, unbereinigte Benutzerverhaltensdaten oder Excel-Tabellen in unregelmäßigen Formaten - das sind "Datenressourcen", keine "hochwertigen Datensätze".

Das Verhältnis zwischen beiden ist wie das zwischen Eisenerz und Stahl. Eisenerz ist eine Ressource, Stahl ist ein veredeltes Produkt. Künstliche Intelligenz-Modelle benötigen Stahl, nicht Eisenerz.

II. Wie man aufbaut: Sechs Maßnahmen und ein "1+1"-Pfad

Das Ausführliche Plan der Nationalen Datenbehörde sieht sechs spezielle Maßnahmen vor, die eine vollständige Kette für den Aufbau von hochwertigen Datensätzen bilden:

1. Stärkung der Grundlagen und Erweiterung des Angebots - Lösung des Problems "Gibt es sie?"

Der Fokus liegt auf 19 Schlüsselbereichen (wissenschaftliche Forschung, industrielle Fertigung, Landwirtschaft und ländliche Gebiete, intelligente Energie, Verkehr und Logistik, Finanzdienstleistungen, Gesundheitswesen usw.) sowie 5 Innovationsbereichen (Niederflughandel, Embodied AI, autonomes Fahren, intelligente Meereswirtschaft, Biomanufacturing). Die Entwicklung von branchenübergreifenden hochwertigen Datensätzen soll beschleunigt werden.

Die Vorgehensweise ist klar: Zunächst die Bestände aufklären - Erstellung von Listen der Datenressourcen und der Datensatzanforderungen; dann die Beteiligung von Branchenführern - Unterstützung der Branchenführer bei der gemeinsamen Entwicklung der gesamten Branchenkette in Form von Konsortien; schließlich die Berücksichtigung von Multimodalität - umfassende Abdeckung von Text, Code, Bildern, Audio, Video, Punktwolken, Zeitreihendaten und wissenschaftlichen Daten.

2. Beschriftungsschwerpunkt - Lösung des Problems "Werden sie verstanden?"

Datenbeschriftung ist nicht einfach das Anbringen von Labels. Es ist der Prozess, Wissen und Erfahrungen in die Trainingsdaten einzubringen.

Das Plan sieht einen wichtigen Wandel vor: Vom "menschlichen Schwerpunkt" hin zu einem mehrstufigen Beschriftungsmodell mit "Mensch-Maschine-Kooperation und tiefer Beteiligung von Experten".

Konkret werden drei Arten von intelligenten Beschriftungsdienstleistungen entwickelt:

• "Modellvorbeschriftung + menschliche Kalibrierung"

- Die Künstliche Intelligenz beschriftet zunächst, und dann überprüft und korrigiert ein Mensch.

• "Menschliche Beschriftung + Modellüberprüfung"

- Ein Mensch beschriftet zunächst, und dann überprüft die Künstliche Intelligenz die Qualität.

• "Modellvorbeschriftung + Modellüberprüfung"

- Die Künstliche Intelligenz beschriftet und überprüft, und ein Mensch behandelt nur die Streitfälle.

Noch wichtiger ist die Expertenschrift. Es wird ein Zertifizierungsmechanismus für Branchenexperten eingerichtet, um echte Branchenexperten in die Fachwissensbeschriftung in Phasen wie der Befehlsfeineinstellung und der verstärkten Lernweise einzubeziehen. Denn einige Fachkenntnisse können normale Beschriftungsarbeiter nicht beschriften - medizinische Bilder erfordern Radiologen, Rechtsdokumente erfordern anerkannte Anwälte, und industrielle Qualitätsprüfungen erfordern erfahrene Ingenieure.

3. Verbesserung der Qualität und Effizienz - Lösung des Problems "Sind sie gut?"

Dieser Schritt ist der Kern. Das Plan sieht vier Qualitätsstandards vor: strukturelle Vollständigkeit, inhaltliche Vielfalt, Beschriftungsgenauigkeit und Modellkompatibilität.

Technisch wird die Anwendung von Technologien zur intelligenten Datenfilterung und -zuordnung empfohlen, um Datensätze mit hoher Wissensdichte zu erstellen, die "präziser und stärker" sind und die Kosten für das Training und die Inferenz senken. Gleichzeitig soll die positive Rolle der Datensynthese genutzt werden - die Generierung von Daten mit Modellen und Simulationssystemen, um das Problem der schwierigen Konstruktion von Datensätzen für seltene Szenarien zu lösen.

4. Anwendungsorientierte Stärkung - Lösung des Problems "Werden sie genutzt?"

Ein Datensatz, der nicht genutzt wird, ist nur ein Dekorationsstück in einem digitalen Lager. Das Plan sieht die Schaffung eines geschlossenen Anwendungskreislaufs, des "Datenfliegrads", vor:

Szenarien treiben die Datenerfassung an → Daten treiben das Modell an → Das Modell stärkt die Anwendungen → Anwendungen schaffen Wert → Neue Daten werden erzeugt → Die Daten werden wieder bereitgestellt.

Wenn dieser geschlossene Kreislauf funktioniert, wird der Datensatz immer besser und reichhaltiger.

5. Verwaltung und Service - Lösung des Problems "Werden sie verwaltet?"

Es wird ein Managementsystem für den gesamten Lebenszyklus von Datenerfassung, -reinigung, -verarbeitung, -beschriftung, -qualitätsprüfung, -bewertung, -iteration und -prüfung aufgebaut. Ein nationales Verwaltungs- und Service-System für Datensätze wird errichtet, das "physisch verteilt, logisch zentralisiert" ist, um die Kataloge der Datensätze und die Informationen über Angebot und Nachfrage miteinander zu verbinden.

6. Freisetzung des Werts - Lösung des Problems "Sind sie wertvoll?"

Es wird nach Wegen gesucht, Datensätze zu vermögenswirksam zu machen: Registrierung, Bewertung, Pfandfinanzierung, Kapitalbeteiligung, Vermögenswert-Securitization, Datenvertrauen, Datenversicherung. Es wird ein Marktkonsens für die "Zahlung für Daten" gefördert - das Einbeziehen von Datenkäufen in die Haushaltsplanung und die Durchführung von Datenbeschaffungspraktiken in Regierungsbehörden, staatlichen Unternehmen und Modellunternehmen.

III. Die drei Veränderungen, die Liu Liehong erwähnt hat, sind wichtiger als Sie denken

Am 3. Juli hat Liu Liehong einen sehr wichtigen Satz gesagt, der die grundlegenden Veränderungen im Aufbau von hochwertigen Datensätzen aufzeigt.

Veränderung 1: Vom "Gewicht auf die Formateinheitlichkeit" zum "Semantischen Durchdringen"

Früher dachte man, dass Daten erst in einem einheitlichen Format gespeichert werden mussten, um sie zu zirkulieren und für die AI-Trainings zu verwenden. Wenn einer JSON, einer XML und einer Excel verwendet, ist es zu ungeordnet und muss vereinheitlicht werden.

Aber Liu Liehong sagte:

Wenn man alle Abteilungen, Branchen und Unternehmen dazu zwingt, die zugrunde liegenden Daten in einem einheitlichen Format zu speichern, ist der Preis sehr hoch und die Effizienz ist gering. In vielen Bereichen und Szenarien ist dies nicht realisierbar.

Der neue Ansatz besteht darin, dass es wirklich um eine interoperable Regelebene geht, nicht um die Vereinheitlichung des zugrunde liegenden Speicherformats.

Nehmen Sie ein Beispiel: Wenn einer Französisch, einer Chinesisch und einer Japanisch spricht, muss man nicht alle dazu zwingen, Französisch zu sprechen. Was wirklich benötigt wird, sind Übersetzungsregeln - solange die Semantik verständlich ist, können die Formate unterschiedlich sein.

Veränderung 2: Vom "statischen Abgleich" zum "dynamischen Anpassen"

Früher war es üblich, die Daten einmalig zu reinigen und abzugleichen - drei Monate lang die Datenformate zu vereinheitlichen und dann immer wieder zu verwenden. Aber Daten sind lebendig, die Geschäftsprozesse und die Datenquellen ändern sich ständig, und der statische Abgleich ist schnell veraltet.

Der neue Ansatz ist das "dynamische Anpassen" - basierend auf Mechanismen wie der Anbringung von Metadaten und der semantischen Abbildung, um daten mit standardisierten Semantik zu versehen und die automatische Erkennung des Kontexts durch Maschinen zu unterstützen.

Was bedeutet das? Jede Datenzeile hat eine "Eigenanleitung". Wenn die Maschine die Daten liest, versteht sie automatisch die Bedeutung, das Format, die Herkunft und den Zweck der Daten. Es ist nicht erforderlich, dass ein Mensch die Daten manuell abgleicht. Die Maschine erledigt das selbst.

Veränderung 3: Vom "Fallbezogenen Vorgehen" zu "Nationalen Standards"

Liu Liehong hat klar gemacht, dass im nächsten Schritt ein fallbezogenes und stufenweise fortschreitendes Vorgehen verfolgt werden wird. Auf nationaler Ebene werden einheitliche Standards für Objektdefinitionen, Metadaten-Semantik, Schnittstellenprotokolle und andere Aspekte erarbeitet, und die Ausarbeitung von nationalen Standards für die Formatvorgaben, Qualitätsevaluation und Datenbeschriftung von hochwertigen Datensätzen wird beschleunigt.

Das bedeutet, dass es in Zukunft nationale Standards für "hochwertig" geben wird. Es reicht nicht mehr aus, einfach zu sagen, dass etwas hochwertig ist. Man muss sich an die nationalen Standards halten, um die Datensätze aufzubauen, zu bewerten und zu zertifizieren.

IV. Wie man bewertet: Ein dreidimensionales Bewertungssystem, 90 Punkte ist die Mindestnote

Dies ist der praktischste Teil. Das "Qualitätsbewertungsnorm für hochwertige Datensätze", das von der nationalen Digital Standards Committee (TC609) veröffentlicht wurde, hat ein dreidimensionales Bewertungssystem aufgebaut:

Dimension 1: Beschreibungsdokument (Datenpass)

Jeder Datensatz muss über einen vollständigen "Datenpass" verfügen, der aus vier Teilen besteht:

• Grundinformationen

- Name, Version, Größe, Erstellungsdatum und Aktualisierungsfrequenz des Datensatzes

• Inhaltsmerkmale

- Datentyp, Abdeckungsbereich, Themenbereich, Sprache

• Aufbauprozess

- Erfassungsmethode, Verarbeitungsprozess, Beschriftungsnorm, Qualitätskontrollmaßnahmen

• Anwendungsbeschreibung

- Anwendungsfall, Einschränkungen, bekannte Grenzen, Zitierweise

Diese Dimension misst die "Transparenz" - damit der Benutzer nach dem Erhalt des Datensatzes schnell beurteilen kann, ob er für seinen Zweck geeignet ist, anstatt wie ein "blinder Kasten".

Dimension 2: Datenqualität (acht Kernindikatoren)

Dies ist der härteste Teil. Die acht Kernindikatoren umfassen:

• Formatkonformität

- Ob das Datenformat den Standards entspricht

• Inhaltsauthentizität

- Ob die Daten nachvollziehbar sind und nicht erfunden wurden

• Vollständigkeit

- Ob wichtige Felder fehlen und ob der Abdeckungsbereich ausreichend ist

• Genauigkeit

- Ob die Datenwerte mit der Realität übereinstimmen

• Übereinstimmigkeit

- Ob die Informationen über dieselbe Entität in verschiedenen Datensätzen widersprüchlich sind

• Aktualität

- Ob die Daten innerhalb der Gültigkeitsdauer liegen und ob sie rechtzeitig aktualisiert werden

• Sicherheit

- Ob die Daten sensible Informationen enthalten und ob sie den Datensicherheitsanforderungen entsprechen

• Vielfalt

- Ob die Datenverteilung ausgeglichen ist und ob genügend Szenarien abgedeckt werden