當(dāng)人工智能進(jìn)入實(shí)際應(yīng)用時(shí)，碰到的大多數(shù)都是復(fù)雜的問題。 然而現(xiàn)階段， 人工智能對(duì)于這些問題，并不能進(jìn)行有效的自行分解和信息收集， 導(dǎo)致在實(shí)際的工作中，往往卡殼在數(shù)據(jù)問題上。

[[429998]]

其中如下問題比較突出：

1. 數(shù)據(jù)可得性問題， 由于數(shù)據(jù)權(quán)屬導(dǎo)致大量且結(jié)構(gòu)化的業(yè)務(wù)數(shù)據(jù)極其難找， 或者需要花費(fèi)大量精力
2. 臟數(shù)據(jù)問題， 在實(shí)際生產(chǎn)過程中， 90%以上的精力被花費(fèi)在數(shù)據(jù)清洗過程中。在實(shí)際的數(shù)據(jù)生產(chǎn)過程中各種技術(shù)問題、人為偏見問題、信息標(biāo)注問題，都可能導(dǎo)致數(shù)據(jù)出錯(cuò)。
3. 數(shù)據(jù)流轉(zhuǎn)動(dòng)速的問題， 在實(shí)驗(yàn)室中， 你很容易拿著兩份數(shù)據(jù)來(lái)評(píng)估模型的準(zhǔn)確性。但進(jìn)入實(shí)際應(yīng)用中，我們往往預(yù)測(cè)的是未來(lái)， 這個(gè)時(shí)候，現(xiàn)實(shí)數(shù)據(jù)能不能及時(shí)喂給模型就很重要了。 

不充分的數(shù)據(jù)造成算法偏見， 比如以人臉來(lái)判斷犯罪概率

目前的大數(shù)據(jù)和人工智能算法中仍然存在著大量的數(shù)據(jù)缺口，以及偏見， 就如搜索中的性別問題、外賣算法無(wú)法幫助騎手識(shí)別風(fēng)險(xiǎn)等等。

現(xiàn)實(shí)問題過于復(fù)雜， 所以AI的大規(guī)模應(yīng)用， 必然要伴隨整個(gè)社會(huì)數(shù)據(jù)使用生態(tài)的改良，數(shù)據(jù)安全在有序的狀態(tài)下公平正義地運(yùn)行。