AI模型训练数据治理，首先要回答四个问题：数据从哪里来、被允许用于什么任务、哪一版数据参与了训练、评估结果能否回溯到原始样本。对准备建设视觉AI、标注或模型调优项目的团队，建议把来源记录、质量检查、样本划分、访问权限和训练记录连成一条证据链，再决定是否扩大训练范围。
一、来源和授权：先确定能否用于当前训练任务
“能获取”不等于“能训练”。每批数据应建立来源卡，至少写明提供方、取得方式、允许用途、使用期限、访问范围、是否允许加工或对外提供，以及负责确认的人。公开数据也要核对具体许可与使用条件；客户提供的数据则按合同和项目约定确认用途，无法说明来源或权利边界的批次先隔离。
| 数据来源 | 优先核对 | 留存证据 |
|---|---|---|
| 自有采集 | 采集范围、告知与内部使用边界 | 采集说明、审批与责任人 |
| 客户提供 | 合同用途、期限、保密与退出要求 | 合同条款、交接清单 |
| 公开或购买 | 许可范围、再利用与分发限制 | 许可版本、采购或授权记录 |
若项目属于在中国境内面向公众提供生成式人工智能服务的情形，还应核对《生成式人工智能服务管理暂行办法》中关于训练数据来源、知识产权、个人信息和标注质量的适用要求。其他训练项目的具体义务应按业务角色、数据类型和适用规则另行确认，不能把这部办法当作所有模型项目的统一授权模板。
二、数据目录与版本：让每次训练指向明确输入
给原始、清洗、标注、增强、训练、验证和测试数据分别登记稳定标识、存放位置、责任人、敏感级别和状态。发布一个可训练版本时，记录源批次、文件摘要、标签规范版本、清洗脚本或配置、变更原因和批准人。只靠“final”“final2”等文件夹名称，无法可靠说明某次训练究竟用了哪一批样本。
版本记录应能从训练运行反查数据集，再从数据集追溯到来源卡和处理记录。来源授权变更、标签规则调整或删除一批样本时，先查受影响的派生数据集和模型版本，再决定暂停、重训、限制使用或其他处置动作。
三、质量与标注：留下问题如何被发现和修正的证据
质量检查不宜只看一个“准确率”。先按任务定义可用样本：文件是否完整、标签是否符合指南、关键场景是否覆盖、同一对象是否重复、难例是否被错误清洗。标注指南要写清类别边界和争议处理方式；抽检同时覆盖常见样本与高风险边界样本，记录分歧、裁决和规则修订。
交付时保留质量报告、抽检方法、问题清单、修订前后差异及未解决项。若某类场景样本不足，明确标记为适用边界，避免把“已完成标注”解释为“模型已具备该场景能力”。
四、划分训练与测试数据：防止相似样本泄漏
连续视频帧、同一设备或同一对象的裁剪图具有相关性。逐文件随机分配时，它们可能同时出现在训练和测试集合，让评估结果偏乐观。应先确定分组键，例如对象、设备、地点、采集批次或时间窗，再按业务目标划分；预处理中的拟合步骤也只能从训练集学习参数。scikit-learn 的数据泄漏指南说明了先划分再拟合预处理的原因。
独立测试集应冻结版本并控制访问。每次评估留存划分脚本、分组键、重复样本检查、测试集摘要和结果报告；发生数据或标签变更后，重新判断原划分是否仍有效。
五、访问与训练记录：把数据版本连接到模型产物
研发、标注、算法和外协岗位只获取完成任务所需的数据与操作权限。训练作业产生的临时副本、缓存、日志和导出文件也要纳入检查，避免主数据平台受控而计算节点留下无记录副本。权限变更、下载与导出应有责任人和可核对的记录。
每次训练至少记录数据集版本、处理代码与配置、基础模型或初始化版本、运行环境、评估集版本、输出模型摘要和批准状态。这样当来源方要求撤回数据，或标注规范出现问题时，才能查询哪些训练运行与模型产物可能受影响。撤回、删除或限制使用的具体范围，应按来源约定及专业审查结论执行。
六、发布训练版本前，核对这五项
- 来源卡、授权范围与使用限制可以查到；
- 数据集标识、文件摘要和处理版本可以复现；
- 标签规则、抽检报告和争议样本处理有记录；
- 训练、验证和测试的划分规则已检查相关样本泄漏；
- 访问、导出、训练运行和模型产物能互相追溯。
任一关键证据缺失时，先补齐或隔离对应批次，再进行代表性样板验证。项目需要扩大范围时，依据新场景的数据来源、分布和岗位条件重新检查，不直接沿用样板结论。
需要了解数据集管理、标注协同与版本交付的产品边界，可参考瑞铭安普 AI 数据标注平台。具体功能、接口、数据处理范围和验收口径仍以项目方案与授权资料为准。