Data Readiness for AI: A 360-Degree Survey

数据是人工智能（AI）模型的关键燃料。低质量的数据会导致不准确和无效的AI模型，可能会导致错误或不安全的使用。检查数据的准备情况是提高数据质量的关键步骤。许多研发工作都花费在提高数据质量上。然而，用于评估用于AI训练的数据准备情况的标准化指标仍在不断发展。在这项研究中，我们对用于验证AI数据准备情况的指标进行了全面调查。该调查检查了ACM Digital Library、IEEE Xplore和其他知名AI专家在网络上发表的文章等120多篇论文。这项调查旨在提出用于结构化和非结构化数据集的AI数据准备（DRAI）指标分类法。我们预计，这个分类法可以引导出新的DRAI指标标准，用于提高AI训练和推断的质量和准确性。

提高数据准备度评估指标以优化人工智能模型的质量和准确性。

提出了针对结构化和非结构化数据集的数据准备度评估指标的分类法，以便为DRAI指标制定新标准。

论文调查了超过120篇论文，提出了DRAI指标的分类法，以便为AI的训练和推理制定新标准。

最近的相关研究包括“数据质量评估的自动化方法”和“数据质量管理：理论和实践”。