AI 推动着前所未有的数据增长。

生成和复制新内容只是整个 AI 数据生命周期中的一部分复制活动。在 AI 的开发和生产过程中，数据足迹会迅速扩大，而且在 AI 部署并开始生成内容后，数据足迹呈指数级扩展。在整个周期中，整个数据生态系统会被反复复制以确保严格的合规性。

复制在每一步都会成倍增加数据。

• 在发现、整理和标注数据以用于训练时，数据也会得到复制。
• 训练期间的定期检查点会备份进度，在典型的训练运行中创建数百个大型文件。
• 部署模型和应用时，其数据会在众多节点和实例上复制。
• 越来越多的人将使用 AI 来创建和迭代多个概念、实验和版本。

模型的训练从大量标记数据开始。在整个训练运行中，保存数据（包括检查点数据）可以提供对未来模型行为的洞察。模型部署并生成结果后，每个提示和响应都是评估模型性能、调整模型和准备下一次训练运行的宝贵来源。

数据应当在数据周期中的每个合理时间点得到保存。 

• 改进和发展 AI 需要新的数据和洞察，而保存的数据就可以提供这种洞察。
• 更加智能的 AI 将能够从存储的数据中获取洞察，从而创造新价值。 
• 版权法要求必须获得使用许可，而保留数据就能提供可审核踪迹。
• 法规要求安全存储要遵循隐私、法律和道德准则。
  

“可信赖 AI”取决于数据透明度。

长期保留数据对于建立 AI 模型的可信度至关重要。记录模型做出的每个决策并分析结果，可帮助开发人员发现模型偏差和错误。

将错误追溯至训练数据有助于解读给定模型的决策过程，并为重新训练和优化提供数据。这些数据点应当予以保留和共享，为模型的性能提供客观、透明的证据。