人工智慧促成了前所未見的龐大資料成長量。

新內容的產生和複製只是人工智慧資料生命流程中的一小部分複製工作。資料足跡會在人工智慧發展和生產的過程中迅速增長，一旦部署了人工智慧並開始產生內容，就會一起快速增加。在整個週期內，整個資料生態系統會為了符合嚴苛的法規而反覆複製。

每個階段的複製作業都會讓資料倍增。

• 每當為了訓練而發掘、彙整和標記資料時，也會複製資料。
• 訓練過程中的一般檢查點會備份進度，在普通的訓練回合就會建立數百個龐大的資料。
• 當模型和應用程式部署出去後，資料會在許多節點和執行個體上複製。
• 越來越多人會使用人工智慧來建立和迭代處理多種概念、實驗和版本。

訓練模型首先需要龐大的標記資料區。在訓練回合中時時儲存資料 (包括檢查點的資料) 有助於深度分析未來的模型行為。模型部署完畢並開始產生資料後，每個提示和反應都是珍貴的來源，可供評估模型效能、調整模型，並用於準備下一次的訓練回合。

資料循環內每個合理的時間點，都應當保存資料。 

• 改善和開發人工智慧需要新鮮的資料和深度分析，而保存的資料就是來源。
• 未來人工智慧會變得更聰明，也許能深度分析從前儲存的資料，創造出新的價值。 
• 版權法規要求作品需獲得使用許可，保存起來的資料便可供審計之用。
• 法規要求資料的儲存必須有安全保障，以展現符合隱私權、法律和道德規範的相關規定。
  

可信賴的人工智慧，資料必須公開透明。

若要建立人工智慧模型的信賴度，長期保留資料相當重要。若能記錄模型所做的每個決定並分析結果，有助於開發人員找出模型的偏移和幻覺。

回溯錯誤到訓練資料，就能瞭解特定模型的決策流程，並提供重新訓練和最佳化的資料。所有這些資料點都應當保存並共享，才能為模型的效能提供客觀透明的證據。