在人工智能快速发展的背景下，数据集的“高质量”不再局限于传统的数据质量，还需覆盖安全合规、伦理方面的要求。如何建设高质量数据、如何管理高质量数据集、如何运营高质量数据集等问题亟待解决。

在《DataOps实践指南（3.0）》中，我们首次提出AI-Ready DataOps概念及能力框架，为企业指明如何借助DataOps思想进行高质量的AI数据供给。

针对AI时代高质量数据集如何建设、管理、运营的挑战，我们通过吸收DataOps的思想和实践，创新性地提出了AI-Ready DataOps理念。

AI-Ready DataOps：也称“人工智能数据工程”，是指通过融合DataOps理念，面向人工智能场景进行高效、高质量、安全的数据供给。该理念鼓励企业加强内部组织和技术协作，通过标准化、流程化、敏捷化的方式向AI场景供给数据，打造高质量数据集。

AI-Ready DataOps能力参考框架覆盖从数据供给到多端消费的全链路，配套数据管理与运营平台、相关标准规范以及人才培养方案，充分支撑AI所需的高质量数据集的建设工作。

AI-Ready DataOps能力参考框架

1.研发阶段

是以开发“AI训练所需”的数据为目标，构建数据研发治理一体化流程。研发管理主要包括需求管理、设计管理及数据加工三部分。

● 需求管理：是对于AI所需数据的需求的管理，包括对需求的收集、分析及确认。

● 设计管理：是对数据准备工作中不同环节的策略、规范等的设计。

● 数据加工：是对清洗、标注、合成等核心数据加工环节的操作管理。

2. 交付阶段

交付管理阶段的目标是将研发好的数据安全、合规、高质量地供给给下游应用。交付管理主要包含测试管理及数据集发布两部分。

● 测试管理：是对数据测试方案的设计与管控。

● 数据集发布：是对数据组合成为数据集后的发布流程与发布版本管理。

3.运维阶段

数据运维阶段是以保障数据在使用过程中的高可用性、流程运转的稳定与高效性为目标，构建持续监控与动态管理的运维体系。运维管理主要包括监控管理和资源管理两部分。

● 监控管理：是对数据集的监控维度、监控指标及告警触发等方面的管理。

● 资源管理：是对企业数据、计算、存储资源的全面摸排、调度与优化。

4.运营阶段

价值运营阶段的目标是最大化发挥数据价值、高效利用组织资源，并持续优化数据服务。价值运营主要包括数据集管理、成本管理及持续优化三部分。

● 数据集管理：是对企业所有数据集资源的盘点、维护，及评价优化。

● 成本管理：是对数据开发运维全流程的成本评估及优化。

● 持续优化：是对整个数据工程体系的持续衡量及优化。

综合企业在构建AI-Ready DataOps能力中的实践和发展预期，我们将AI-Ready DataOps的实践成效划分为以下五个等级：

AI-Ready DataOps各能力等级特征

基于AI-Ready DataOps的目标，我们经过产业实践提出高质量数据集建设的五步法：企业从总体规划层面和具体数据集建设方面可按照“盘、建、研、管、运”（即，数据管理应用现状盘点、规范体系与技术体系建设、数据集研发、数据集管理、全链路运营）五步进行落地实施。