在过去的一年中，关于大模型的研究揭示了一个不好的现象：许多人认为，只要向大模型输入大量数据即可，而不顾数据的噪声和质量。在计算机视觉（CV）时代，每张图片都需要人工标注，无论是分类、检测还是分割任务，标注数据的准确率必须达到97%以上。计算机视觉的先驱李飞飞通过人工标注了ImageNet 300M数据集，才使得她的研究走进了大众视野。这一过程充分说明了“有多少智能就需要多少人工”的道理。
在大型语言模型（LLM）的训练中，数据同样起着至关重要的作用。无论是预训练阶段还是监督微调阶段，有效的数据管理对增强模型性能和提高训练效率都具有重要意义。2023年的实践表明，即使是最强大的模型，如果缺乏领域知识的协同，仍然无法在生产环境中有效运行。
我们先尝试回答以下关键问题：
基础模型能否完成任务？
首先需要评估基础模型的能力，看它是否能够满足特定任务的需求。如果基础模型无法胜任，则需要进一步的优化和调整。需要什么数据？
确定完成任务所需的数据类型和质量，包括领域特定的数据、噪声水平和标注准确率等。数据从哪里来？
识别可靠的数据来源，这些数据可以是公开的、合作伙伴提供的，或是通过自主采集获得的。增量训练还是SFT，还是知识库？
决定采用增量训练（Incremental Training）、特殊任务微调（SFT）还是通过构建知识库来提升模型性能。这取决于任务的具体需求和数据的可用性。如何构造训练数据集、检索知识库？
制定数据集和知识库的构建策略，包括数据收集、预处理、标注、分割和存储等步骤。-
推理时能否用这些数据？如何管理这些数据？
评估在推理阶段使用这些数据的可行性，并制定数据管理策略，确保数据在使用过程中的一致性和安全性。
在大模型研发过程中，数据工程的角色至关重要。为了更好地理解和应用这一概念，我们可以将大模型数据工程划分为狭义和广义两个层面。
狭义研发大模型数据工程
狭义上，研发大模型的数据工程可以定义为：依据具体的研发场景与任务，采集相关研发数据，并生成模型预训练语料或微调数据集。这一过程包括以下关键步骤：
数据采集：从多种来源获取相关数据，包括公开数据集、合作伙伴提供的数据、自主采集的数据等。
数据预处理：对采集的数据进行清洗、去噪和标准化处理，确保数据质量。
数据标注：根据任务需求对数据进行标注，以便在训练过程中使用。
数据集构建：将处理后的数据构建成适合预训练或微调的语料库或数据集。
这种狭义的数据工程关注的是为特定任务生成高质量的训练数据，以提高模型的性能和准确性。
广义研发大模型数据工程
广义上，研发大模型的数据工程不仅包括上述步骤，还涵盖了在增量预训练、SFT（特殊任务微调）、RAG（检索增强生成）和Prompt等不同阶段的数据处理和应用。广义的数据工程可以定义为：依据研发场景与任务，全面处理和应用相关数据，以支持大模型在各个阶段的研发和优化。这些数据可以视为研发资产，具体包括：
研发资产：高质量的数据是研发的宝贵资产，直接影响模型的性能和应用效果。
RawData：用于各类作业的原始数据，未经过处理或仅进行初步清洗。
工程规范积累：在数据处理和应用过程中形成的规范和标准，指导未来的数据工程实践。
在广义的数据工程中，数据处理和应用的范围更加广泛，涉及以下几个方面：
增量预训练：在已有模型的基础上，通过引入新的数据进行增量训练，以提高模型的泛化能力和性能。
特殊任务微调（SFT）：针对特定任务，通过微调模型参数，优化模型在特定任务上的表现。
检索增强生成（RAG）：结合检索和生成功能，通过实时检索外部数据源，提高生成内容的准确性和相关性。
-
Prompt工程：设计和优化提示词，以引导模型生成更符合需求的输出。
所以，在大模型（LLM）的研发过程中，数据处理的重要性不容忽视。尽管大模型在处理复杂任务方面展现出强大的能力，但事实证明，人工在数据处理中的角色依然不可或缺。
虽然大模型具备强大的自动化能力，但在数据处理环节，人工依然扮演着不可或缺的角色。高质量的数据是模型成功的基础，而这些数据的获取和处理过程，需要大量的人工参与和精细化操作。未来，随着技术的不断进步，自动化工具将会越来越完善，但人工在数据质量控制和模型优化方面的重要性依然不会减少。只有充分结合人工智慧和机器智能，才能在大模型研发中取得更加显著的进步和成果。