數(shù)據(jù)采集的過程好比是人用眼睛看、用耳朵聽、用鼻子聞、用嘴巴嘗......這些都是感受外界的行為，接收外部信息從而采取措施，做出判斷與決策——AI產(chǎn)品同樣需要這樣的過程。

1、AI數(shù)據(jù)來源有哪些呢？

常見的數(shù)據(jù)獲取方式有以下三種：

（1）直接購買行業(yè)數(shù)據(jù)

有許多專門做行業(yè)研究的組織、公司、機(jī)構(gòu)，在某一特定的領(lǐng)域獲取的大量的數(shù)據(jù)，他們通過某種方式將數(shù)據(jù)提供給需求者。比如開放的網(wǎng)站（包括科研、算法競賽、政府開發(fā)數(shù)據(jù)、個人組織公開數(shù)據(jù)等）、運(yùn)營商、行業(yè)數(shù)據(jù)分析公司等，通過有償或無償?shù)姆绞焦蚕頂?shù)據(jù)。

例如：

ICPSR（ICPSR），提供全球領(lǐng)先的社會和行為學(xué)研究數(shù)據(jù)。

數(shù)據(jù)堂：http://www.datatang.com/

（2）自行采集

這種方式是通過自身的行業(yè)積累直接獲取數(shù)據(jù)，也可以通過爬蟲技術(shù)采集合法的互聯(lián)網(wǎng)數(shù)據(jù)。這種方式的好處是可以按需采集，自定義采集指標(biāo)、字段等。

（3）第三方合作

組織與組織之間合作，交換或購買數(shù)據(jù)來整合行業(yè)資源。比如，我們在某寶上搜了一款商品，在瀏覽另一個平臺時(shí)會看到有關(guān)該類商品的廣告，其實(shí)這是數(shù)據(jù)交換的結(jié)果。

2、如何判斷這些數(shù)據(jù)的質(zhì)量呢？

可以從這四個方面來衡量：關(guān)聯(lián)度（Relevancy）、時(shí)效性（Recency）、范圍（Range）、可信性（Reliability），簡稱4R原則。

（1）關(guān)聯(lián)度

在AI領(lǐng)域，關(guān)聯(lián)度是評價(jià)數(shù)據(jù)的首要指標(biāo)，如果關(guān)聯(lián)度不高，其他的數(shù)據(jù)指標(biāo)都毫無意義。比如在自然語言處理的領(lǐng)域中，想讓機(jī)器學(xué)會如何人交流，就需要大量的強(qiáng)關(guān)聯(lián)數(shù)據(jù)作為基礎(chǔ)。

（2）時(shí)效性

數(shù)據(jù)應(yīng)該有較強(qiáng)的是時(shí)效性，特別是資訊類的產(chǎn)品，對這一點(diǎn)有更高的要求。

（3）范圍

有句話說，"不以.......為目的的......，都是耍流氓"，目的決定了邊界，決定了行為范圍。在AI領(lǐng)域，范圍也極大影響著數(shù)據(jù)的質(zhì)量，而且數(shù)據(jù)范圍也代表了數(shù)據(jù)的完整度。一般情況下，互聯(lián)網(wǎng)公司的數(shù)據(jù)完整度較好。

（4）可信性

數(shù)據(jù)的可信性是獲取用戶信任的關(guān)鍵。