原创力文档- 1、本文档共23页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
AI时代的数据处理技术
陈文光
清华大学/蚂蚁技术研究院
大数据：数据量，数据生成的速度和多模态
(inzettabytes)物联网、边缘设备和用户行为产生大量数据
•数据量(Volume)和数据生成速度(Velocity)
多模态数据(Variety)
•图片，文档，图，时序，交易
•Volumeofdata/informationcreated,captured,copied,andconsumedworldwidefrom2010to2025©Statista2021
/statistics/871513/worldwide-data-created/
数据处理的深度也在增加
/hackernoon/the-ai-hierarchy-of-needs-18f111fcc007
大模型崛起引领大数据新需求
高质量训练数据是进一步提升基础模型性能的关键向量数据库是提升模型服务能力的核心技术
80%Data+20%ModelBetterAI搜索增强的内容生成：RAG
吴恩达的“二八定律”：Vectordatabase
深度学习应当从Model-centric向Data-centric转变
Nearestneighbors
吴恩达（AndrewNg.）User
模型发布时间参数量预训练数据量Question?
GPT-12018年6⽉1.17亿约5GB
GPT-22019年2⽉15亿40GB
GPT-32020年5⽉1750亿45TB
GPT-3.5（ChatGPT）2022年11⽉千亿级百TB级？
Answer
GPT-42023年3⽉万亿级（估）未披露
Prompt
•大模型需要大数据
•如何获得更多数据？如何提升数据质量？如何高效
文档评论（0）