2025年11月28日，中国电信研究院大数据与人工智能研究所技术负责人苏明兰，在2025数据要素发展大会上发表题为《高质量数据集建设方法及应用实践》的主题演讲，系统性介绍了中国电信“3阶段-10步骤”高质量数据集建设方法论，打造覆盖全生命周期的数据飞轮机制，实现从“数据沉淀”到“智能反哺”的正向循环。
苏明兰介绍，方法论第一阶段，主要为规划设计阶段。该阶段的目标是分析业务场景，以及明确不同业务场景下数据建设的目标，根据数据建设的目标进行技术的选型和基础算力设施的规划；第二阶段，数据集构建。聚焦语料、知识库、提示词等3大类数据，通过粗加工、中加工及精加工不同的数据处理手段，来提高数据质量，更好地赋能模型应用；第三阶段，应用落地阶段。围绕着大模型训练，大模型知识库构建，Agent构建，以及提示词等多个不同场景构建应用，同时也构造了数据回流机制，形成数据飞轮。该方法论的目的就是为了确保数据建设与应用精准匹配，从而更好地推动大模型应用的落地。
基于方法论，同步打造了配套的海翠大模型数据工具链。依托工具链平台，中国电信研究院已建成覆盖文本、图像、音视频等多模态数据的统一处理能力，支持从数据采集、清洗、标注到模型训练的端到端闭环管理，为集团内外部客户提供一站式数据生产解决方案。
来源：中国信通院-数据要素智库
www.smartcity.team
