数据质量:为什么「先整理底数」比「先换工具」更重要
AI 与数字化工具的产出质量取决于输入。既有建筑图纸不全、命名混乱、检测数据缺失时,再先进的工具也只能给出看似整洁的错误结论。
数据治理AI
三类最常见的输入缺陷
- 版本缺陷:手头是报建图而非竣工图,现场早已多次变更。
- 口径缺陷:面积、层数、材料等级在不同表格里定义不一致。
- 完整性缺陷:缺少结构鉴定、管线权属、设备参数等关键信息。
底数整理的四个动作
| 动作 | 具体做法 | 产出 |
|---|---|---|
| 核对版本 | 调取竣工资料并与现场抽样比对 | 可用图纸清单与差异表 |
| 统一口径 | 制定字段字典、单位与编码规则 | 数据字典 |
| 标注可信度 | 区分实测、图纸推断与待核实 | 可信度标记 |
| 建立待查清单 | 把缺口写明责任人时限 | 待查台账 |
《城市更新「十五五」规划》提出城镇房屋基础信息数字化率达 95% 以上,本质上是把底数当成基础设施来建设。对单个项目同样如此:可信度标记与待查台账,比任何一次漂亮的自动生成都更能防止误判。
一条实用判据
问自己:如果模型给出的某个结论被审查机构质疑,我能否在十分钟内翻到它的原始依据、记录时间与复核人?做不到,就先补数据治理,再谈工具升级。
适用条件:本页为数据管理思路,具体数字化率目标引自公开规划文件;项目资料归档、测绘与鉴定要求请以现行规范、合同与当地主管部门规定为准。
ADVERTISEMENT