DataForge

数据汇聚

多源数据接入

01

打通 7 类数据源，将散落各处的原始数据统一接入、协议适配并可靠归集到底层存储，为治理与标注提供一致的数据基础。

• 多源接入：MySQL / PostgreSQL / MongoDB / API / S3 / Kafka / 文件，向导式配置+一键测试连接
• 批量 ETL：Apache Airflow 编排，DAG 可视化，对接 AI/ML 生态
• 统一接入网关：APISIX 鉴权 / 限流 / 动态路由，对外提供 REST API / SDK / Webhook

智能标注

人机协同标注工场

02

多模态标注工作台，AI 预标注与人机协同提升产能。

• 多模态：图像 / 文本 / 音频标注类型
• AI 预标注 + 置信度，人工抽检校正反馈闭环，主动学习：低置信度样本优先推送
• 质检：Cohen's Kappa 一致性、双重质检 + 专家仲裁

质量评测

三级质量评测中心

03

三级评测体系，把“好数据”从主观判断变为可量化标准。

• L1 基础质量：完整性/一致性/准确性/时效性，L2 行业质量：医疗 HIPAA、金融监管等插件，L3 AI 适用性：标签一致性、分布平衡、偏差检测
• 数据漂移检测（PSI/KS）+ 质量分 ≥85 才准发布

数据合成与增强

多策略合成与增强

04

在珍贵/敏感数据不足时，合规扩充训练样本。

• 统计合成：SMOTE 过采样、差分隐私、同义词替换，生成合成：LLM 文本、回译、Diffusion 图像，仿真合成：3D 点云、传感器物理仿真
• KS 检验比对分布，输出合成质量报告

数据飞轮

闭环飞轮运营

05

行业的四环闭环运营机制，把"交付即结束"的单向流水线变为越用越好的自驱飞轮，让数据集与模型效果持续协同迭代。

• 四环闭环：场景牵引 → 数据构建 → 应用验证 → 反馈迭代，飞轮周期 < 4 周，失败案例回采率 > 90%
• 自动化能力：失败案例自动回采、难例主动推荐、数据集自动版本更新、预警告警

合规与安全

合规安全围栏

06

以合规为底座，企业始终掌握数据主权。

• PII 检测：手机号/邮箱/身份证/姓名等 6 类，脱敏：redact / SHA256 / partial_mask / 差分隐私
• 权限：RBAC（7 角色）+ ABAC（数据集/字段/操作级）
• 审计：SHA-256 哈希链 + APPEND-ONLY 不可篡改