数据版本控制是什么？
写代码有 Git，改错了能回退、能看历史。可训练 AI 用的数据，往往就是一堆文件散在各处，改了哪条、什么时候改的、谁改的，全都说不清。数据版本控制（Data Versioning），就是把 Git 那套思路搬到数据上——给数据集每次变化都存个「版本」，随时能回溯、能对比、能复现。为什么数据也需要「版本」？
实验要能复现你用某批数据训出了 92% 的准确率，同事想复现，却发现数据已经被改过了——结果对不上。没有版本控制，复现就是碰运气。
出问题能溯源
模型表现突然变差，可能是数据被污染了。有版本记录，就能回看是哪一次改动引入了问题。
团队协作不打架
多人同时改数据，没有版本管理，很容易互相覆盖、谁也说不清「最新版」是哪个。
它都记些什么？
数据快照每次改动后的数据状态，就像代码的 commit。
变更历史
谁在什么时候、加了什么、删了什么、改了哪条。
元信息
这份数据从哪来、用什么脚本生成、关联哪个实验。
常见做法与工具
可以给数据文件存哈希、打标签，配合像 DVC、LakeFS 这样的工具，把数据版本和代码版本、实验记录绑在一起。现代 ML 团队基本把它当成 MLOps 的基础设施之一。它为什么越来越重要
AI 系统越来越「吃数据」，数据的质量、来历、可追溯，直接决定模型是否可信。数据版本控制，就是让数据从「黑箱」变成「可审计」的那把钥匙。一句话记住：数据版本控制，就是给数据装上「时间机器」，让每一次改动都留痕、可回溯、可复现。
评论