資料管理不善，就像在搖搖欲墜的地基上建房子，不僅可能導致AI模型效能不佳，還會造成成本上升與時間浪費。高效的資料管理是AI專案成功的關鍵，而核心策略可從再利用、回收、改變用途與減少四個面向展開。
再利用意指將現有資料重新用於新的分析或應用。例如，遷移式學習與微調是常見方法，像Microsoft Copilot這類預先訓練模型透過大量資料集建立穩固基礎，再針對特定任務如聊天機器人進行微調，不僅節省時間與算力，也降低對大量標記資料的依賴。同時，再利用既有標記資料集也是高效手段，一組用於物件偵測的標記影像資料集，可以成為多種電腦視覺任務的穩固基礎，提升成本效益與開發速度，並減少額外標記工作量。
回收則是重新整理與轉化不常使用的資料，使其能在新應用或分析中發揮作用。Google的BERT模型便透過回收的大量文字資料訓練而成。創新的回收方式包括為資料加上額外標記以擴展實用性，例如在情緒分析資料集中新增「諷刺」或「緊急」等標籤，根據IBM研究可使模型效能提升最多15%。另一種做法是建立合成資料，當真實世界資料不足時，像NVIDIA的StyleGAN能生成逼真的人臉影像，既能用於訓練臉部辨識系統，又可減少80%對真實資料的需求，進而降低成本並保護隱私。
改變用途則是將原本用於特定目的的資料，轉換為可支援全新分析、應用或情境的資源。這包括資料清理以移除不準確、不一致與重複內容，資料轉換將格式或結構調整為更適合新應用的型態，資料整合將不同來源的資料合併為統一資料集，並可透過新增人口統計或市場資訊等外部來源豐富資料。同時，資料匿名化能在保護隱私的前提下保留分析價值，而資料視覺化則讓資料以圖表或圖像形式呈現，便於理解與運用。
減少的核心是在必要時降低資料所佔空間與冗餘。這可透過資料去重複化來刪除重複記錄、提升完整性與品質；資料壓縮技術如JPEG與PNG能在不犧牲品質的情況下縮小檔案大小、加快傳輸速度並降低成本；資料正規化則讓不同特徵的規模一致，減少冗餘並提升資料的協調性與完整性。 透過再利用、回收、改變用途與減少四大方法，組織能夠全面優化AI資料管理實務，為模型的長期效能與可持續發展奠定可靠基礎。
＜本文作者：黃又青現為Seagate台灣區總經理 ＞