数据标注优秀案例集之三十二 | 数据标注筑基高质量数据集

　　申报单位：中国移动通信集团山东有限公司、中移动信息技术有限公司、中国移动通信集团设计院有限公司山东分公司
　　推荐单位：山东省大数据局
　　一、案例简介
　　大模型发展催生高质量数据集需求，但面临数据稀缺、标注低效等难题，导致行业大模型落地难、行业赋能不理想。在“九天大模型”建设中，有效整合通信行业8类核心数据及650TB多源数据，依托山东标注基地创新“工具+AI预标注+人工补位”模式，实现数据处理标注自动化率超80%，已打造50余个高质量数据集，支撑交通、应急、文旅等领域大模型落地，推动行业人工智能应用跑出“加速度”。
　　二、成效与举措
　　一是多源数据融合突破数据多样性瓶颈。以运营商8类核心数据为基础，融合行业数据、互联网数据及政府开放数据等多数据源。通过生成对抗网络（GAN）合成高仿真数据，解决数据获取难题，构建政务、工业等领域的多样性数据集，有效支撑“海算政务大模型”“川流交通大模型”等10余个行业大模型落地。
　　二是破解大模型数据规模化处理难题。研发数据清洗、脱敏和标注工具，在图像、文本等数据标注任务中采用“工具+AI”和“规范+技术”双维防控模式，解决数据量庞大、处理效率低、人工标注质量低的痛点问题，实现数据处理与标注环节自动化率超80%。
　　三是构建高质量数据供给平台。搭建全链路数据集服务平台，自主研发文本、图像及音频等领域9类数据标注工具，从数据采集清洗、标注处理到行业数据集输出，实现全周期管理能力，可支撑“九天川流大模型”等数亿参数规模大模型数据集需求，为构建完善产业生态提供关键设施支撑。
　　三、特色亮点
　　一是多渠道数据融合构建多元数据集。基于运营商8类核心数据，整合政务、互联网等外部数据源，构建多模态数据集9类，通用数据集9类，行业数据集10类，合成数据集7类。通过多源数据互补提升数据集多样性与完整性，有效加强大模型泛化能力与应用效果。
　　二是聚焦行业痛点打造智能赋能标杆。立足行业高质量发展需要，通过行业场景精准拆解适配，有力支撑大模型多行业场景应用。如“九天川流大模型”克服传统位置分析小模型隐性特征挖掘不足、建模周期长、推理性能差等难题，建模效率较传统方式提升83%，任务推理时长缩短至分钟级。根据相关测算，在交通行业通过辅助规划充电站最佳位置，可节省选址市场调研人力、物力成本超70%；在文旅行业可有效提升旅游管理水平，降低景区运营成本25%。