當人工智能進入實際應用時，碰到的大多數(shù)都是復雜的問題。 然而現(xiàn)階段， 人工智能對于這些問題，并不能進行有效的自行分解和信息收集， 導致在實際的工作中，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)權屬導致大量且結(jié)構(gòu)化的業(yè)務數(shù)據(jù)極其難找， 或者需要花費大量精力
2. 臟數(shù)據(jù)問題， 在實際生產(chǎn)過程中， 90%以上的精力被花費在數(shù)據(jù)清洗過程中。在實際的數(shù)據(jù)生產(chǎn)過程中各種技術問題、人為偏見問題、信息標注問題，都可能導致數(shù)據(jù)出錯。
3. 數(shù)據(jù)流轉(zhuǎn)動速的問題， 在實驗室中， 你很容易拿著兩份數(shù)據(jù)來評估模型的準確性。但進入實際應用中，我們往往預測的是未來， 這個時候，現(xiàn)實數(shù)據(jù)能不能及時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、外賣算法無法幫助騎手識別風險等等。

現(xiàn)實問題過于復雜， 所以AI的大規(guī)模應用， 必然要伴隨整個社會數(shù)據(jù)使用生態(tài)的改良，數(shù)據(jù)安全在有序的狀態(tài)下公平正義地運行。