Руководитель Федерального агентства по техническому регулированию и метрологии А.П. Шалаев считает, что под определением качества данных понимается ряд факторов, таких как:
● полнота и несмещенность обучающей выборки (в англоязычной литературе в таких случаях используется не имеющий однозначного перевода на русский язык термин bias, т. е. смещенность, предвзятость, необъективность данных и, соответственно, решений, принимаемых системой искусственного интеллекта (ИИ), обученной с помощью таких данных);
● гарантированное предотвращение утечки конфиденциальной информации, содержащейся непосредственно в обучающей выборке или полученной из этих данных путем их обработки, агрегирования, объединения с другими данными;
● качество разметки данных, предполагающее сопровождение обучающих выборок достаточно полными и точными сведениями об условиях получения этих данных;
● своевременность актуализации данных — особенно важный аспект в случаях, когда речь идет о применении систем ИИ в динамично меняющейся обстановке, характерной для современного мегаполиса. Что касается тестирования систем ИИ, то во многих случаях это единственный способ объективно удостовериться в том, что система в реальных условиях эксплуатации поведет себя именно так, как планировали ее разработчики, и не будет представлять угрозы для окружающих.
Такой набор необходим в связи с тем, что интеллектуальным системам свойственна непрозрачность. Конечно, при проведении тестов используются наборы данных, в которых учитывается полный комплект возможных ситуаций, которые могут возникнуть при работе ИИ. Создание и своевременная коррекция такой базы данных для выполнения искусственным интеллектом предполагаемой работы является ключевой задачей при этом крайне сложной.
Сейчас есть несколько причин, тормозящих применение технологий ИИ в основных направлениях экономики. В основном это происходит из-за недоработок нормативно-технического контроля использования интеллектуальных технологий на практике. Выше уже говорилось об одной из важнейших причин, а именно, об обязательном контроле безопасности систем искусственного интеллекта до того, как они начнут применяться для работы. Главным образом это касается таких систем ИИ, ошибки которых могут создать угрозу для безопасности людей, привести ущербу экологии или экономики.