数据要素与大模型

（上海）股份有限公司主办，上海市数商协会协办的“数据要素市场与大模型语料库论坛暨中国大模型语料数据联盟开放日活动”成功举办，活动上200余家大模型数据、人工智能及技术企业及相关机构代表出席会议。上海市科技有限公司12家新成员单位加入“中国大模型语料数据联盟”，将共同为大模型技术深度发展与高水平应用提供更多元的数据要素保障。上海人工智能实验室生态中心负责人，合作交流与知识产权部部长王宇，人民网上海频道训练模型创新发展，着力支持大模型创新能力，提升创新要素供给能级，推进大模型创新应用，营造一流创新环境。在生态建设方面，今年上海成立了中国大模型语料数据联盟，旨在通过链接模型训练、数据供给、学术研究、第三方服务等多方面，机构联合打造国际化开放性的大模型语料数据生态。本次活动上，上海市新能源汽车公共数据采集与监测研究中心、华院计算技术（上海）股份有限公司、星环信息科技（上海）股份有限公司、上海市人工智能上，上海人工智能实验室生态中心负责人，合作交流与知识产权部部长，人民网上海频道总经理金煜纯。上海人工智能实验室治理研究中心副主任王迎春围绕《构建高质量的大模型语料数据生态》、人工智能治理及《生成式人工智能

（上海）股份有限公司主办，上海市数商协会协办的“数据要素市场与大模型语料库论坛暨中国大模型语料数据联盟开放日活动”成功举办，活动上200余家大模型数据、人工智能及技术企业及相关机构代表出席会议。上海市科技有限公司12家新成员单位加入“中国大模型语料数据联盟”，将共同为大模型技术深度发展与高水平应用提供更多元的数据要素保障。上海人工智能实验室生态中心负责人，合作交流与知识产权部部长王宇，人民网上海频道训练模型创新发展，着力支持大模型创新能力，提升创新要素供给能级，推进大模型创新应用，营造一流创新环境。在生态建设方面，今年上海成立了中国大模型语料数据联盟，旨在通过链接模型训练、数据供给、学术研究、第三方服务等多方面，机构联合打造国际化开放性的大模型语料数据生态。本次活动上，上海市新能源汽车公共数据采集与监测研究中心、华院计算技术（上海）股份有限公司、星环信息科技（上海）股份有限公司、上海市人工智能上，上海人工智能实验室生态中心负责人，合作交流与知识产权部部长，人民网上海频道总经理金煜纯。上海人工智能实验室治理研究中心副主任王迎春围绕《构建高质量的大模型语料数据生态》、人工智能治理及《生成式人工智能

（上海）股份有限公司主办，上海市数商协会协办的“数据要素市场与大模型语料库论坛暨中国大模型语料数据联盟开放日活动”成功举办，活动上200余家大模型数据、人工智能及技术企业及相关机构代表出席会议。上海市科技有限公司12家新成员单位加入“中国大模型语料数据联盟”，将共同为大模型技术深度发展与高水平应用提供更多元的数据要素保障。上海人工智能实验室生态中心负责人，合作交流与知识产权部部长王宇，人民网上海频道训练模型创新发展，着力支持大模型创新能力，提升创新要素供给能级，推进大模型创新应用，营造一流创新环境。在生态建设方面，今年上海成立了中国大模型语料数据联盟，旨在通过链接模型训练、数据供给、学术研究、第三方服务等多方面，机构联合打造国际化开放性的大模型语料数据生态。本次活动上，上海市新能源汽车公共数据采集与监测研究中心、华院计算技术（上海）股份有限公司、星环信息科技（上海）股份有限公司、上海市人工智能上，上海人工智能实验室生态中心负责人，合作交流与知识产权部部长，人民网上海频道总经理金煜纯。上海人工智能实验室治理研究中心副主任王迎春围绕《构建高质量的大模型语料数据生态》、人工智能治理及《生成式人工智能

（上海）股份有限公司主办，上海市数商协会协办的“数据要素市场与大模型语料库论坛暨中国大模型语料数据联盟开放日活动”成功举办，活动上200余家大模型数据、人工智能及技术企业及相关机构代表出席会议。上海市科技有限公司12家新成员单位加入“中国大模型语料数据联盟”，将共同为大模型技术深度发展与高水平应用提供更多元的数据要素保障。上海人工智能实验室生态中心负责人，合作交流与知识产权部部长王宇，人民网上海频道训练模型创新发展，着力支持大模型创新能力，提升创新要素供给能级，推进大模型创新应用，营造一流创新环境。在生态建设方面，今年上海成立了中国大模型语料数据联盟，旨在通过链接模型训练、数据供给、学术研究、第三方服务等多方面，机构联合打造国际化开放性的大模型语料数据生态。本次活动上，上海市新能源汽车公共数据采集与监测研究中心、华院计算技术（上海）股份有限公司、星环信息科技（上海）股份有限公司、上海市人工智能上，上海人工智能实验室生态中心负责人，合作交流与知识产权部部长，人民网上海频道总经理金煜纯。上海人工智能实验室治理研究中心副主任王迎春围绕《构建高质量的大模型语料数据生态》、人工智能治理及《生成式人工智能

（上海）股份有限公司主办，上海市数商协会协办的“数据要素市场与大模型语料库论坛暨中国大模型语料数据联盟开放日活动”成功举办，活动上200余家大模型数据、人工智能及技术企业及相关机构代表出席会议。上海市科技有限公司12家新成员单位加入“中国大模型语料数据联盟”，将共同为大模型技术深度发展与高水平应用提供更多元的数据要素保障。上海人工智能实验室生态中心负责人，合作交流与知识产权部部长王宇，人民网上海频道训练模型创新发展，着力支持大模型创新能力，提升创新要素供给能级，推进大模型创新应用，营造一流创新环境。在生态建设方面，今年上海成立了中国大模型语料数据联盟，旨在通过链接模型训练、数据供给、学术研究、第三方服务等多方面，机构联合打造国际化开放性的大模型语料数据生态。本次活动上，上海市新能源汽车公共数据采集与监测研究中心、华院计算技术（上海）股份有限公司、星环信息科技（上海）股份有限公司、上海市人工智能上，上海人工智能实验室生态中心负责人，合作交流与知识产权部部长，人民网上海频道总经理金煜纯。上海人工智能实验室治理研究中心副主任王迎春围绕《构建高质量的大模型语料数据生态》、人工智能治理及《生成式人工智能

，数据的价值逐渐被挖掘，与前四大生产要素并列，成为第五大生产要素。数据成为生产要素的原因数据驱动的经济增长：数据能够为企业和社会创造巨大的经济价值。例如，互联网电商企业通过收集和分析用户的购物习惯，拥有丰富的标注数据是训练高质量模型的基础。国家通过引导和支持大数据产业发展，能够在数字经济、国家安全等诸多领域掌握主动权。数据作为生产要素的作用机制数据的生产功能：数据能够直接参与生产过程。在智能随着信息技术的飞速发展和数字经济的崛起，数据在经济社会发展中的重要性日益凸显。在传统的农业经济时代，土地和劳动力是主要的生产要素；工业经济时代，资本和技术也加入进来，成为关键的生产要素。进入数字时代工厂中，通过传感器收集的机器设备运行数据，可以实时监控设备状态，调整生产参数，从而生产出质量更高的产品。数据还可以作为一种原材料，用于训练人工智能模型。例如，大量的文本数据是训练自然语言处理模型的基础，这些模型又可以应用于机器翻译、智能客服等多个领域。数据的优化功能：数据可以优化资源配置。在物流行业，通过分析货物运输数据、交通流量数据等，可以优化配送路线，提高物流效率，降低运输成本。同时，数据能够

，数据的价值逐渐被挖掘，与前四大生产要素并列，成为第五大生产要素。数据成为生产要素的原因数据驱动的经济增长：数据能够为企业和社会创造巨大的经济价值。例如，互联网电商企业通过收集和分析用户的购物习惯，拥有丰富的标注数据是训练高质量模型的基础。国家通过引导和支持大数据产业发展，能够在数字经济、国家安全等诸多领域掌握主动权。数据作为生产要素的作用机制数据的生产功能：数据能够直接参与生产过程。在智能随着信息技术的飞速发展和数字经济的崛起，数据在经济社会发展中的重要性日益凸显。在传统的农业经济时代，土地和劳动力是主要的生产要素；工业经济时代，资本和技术也加入进来，成为关键的生产要素。进入数字时代工厂中，通过传感器收集的机器设备运行数据，可以实时监控设备状态，调整生产参数，从而生产出质量更高的产品。数据还可以作为一种原材料，用于训练人工智能模型。例如，大量的文本数据是训练自然语言处理模型的基础，这些模型又可以应用于机器翻译、智能客服等多个领域。数据的优化功能：数据可以优化资源配置。在物流行业，通过分析货物运输数据、交通流量数据等，可以优化配送路线，提高物流效率，降低运输成本。同时，数据能够

，数据的价值逐渐被挖掘，与前四大生产要素并列，成为第五大生产要素。数据成为生产要素的原因数据驱动的经济增长：数据能够为企业和社会创造巨大的经济价值。例如，互联网电商企业通过收集和分析用户的购物习惯，拥有丰富的标注数据是训练高质量模型的基础。国家通过引导和支持大数据产业发展，能够在数字经济、国家安全等诸多领域掌握主动权。数据作为生产要素的作用机制数据的生产功能：数据能够直接参与生产过程。在智能随着信息技术的飞速发展和数字经济的崛起，数据在经济社会发展中的重要性日益凸显。在传统的农业经济时代，土地和劳动力是主要的生产要素；工业经济时代，资本和技术也加入进来，成为关键的生产要素。进入数字时代工厂中，通过传感器收集的机器设备运行数据，可以实时监控设备状态，调整生产参数，从而生产出质量更高的产品。数据还可以作为一种原材料，用于训练人工智能模型。例如，大量的文本数据是训练自然语言处理模型的基础，这些模型又可以应用于机器翻译、智能客服等多个领域。数据的优化功能：数据可以优化资源配置。在物流行业，通过分析货物运输数据、交通流量数据等，可以优化配送路线，提高物流效率，降低运输成本。同时，数据能够

，数据的价值逐渐被挖掘，与前四大生产要素并列，成为第五大生产要素。数据成为生产要素的原因数据驱动的经济增长：数据能够为企业和社会创造巨大的经济价值。例如，互联网电商企业通过收集和分析用户的购物习惯，拥有丰富的标注数据是训练高质量模型的基础。国家通过引导和支持大数据产业发展，能够在数字经济、国家安全等诸多领域掌握主动权。数据作为生产要素的作用机制数据的生产功能：数据能够直接参与生产过程。在智能随着信息技术的飞速发展和数字经济的崛起，数据在经济社会发展中的重要性日益凸显。在传统的农业经济时代，土地和劳动力是主要的生产要素；工业经济时代，资本和技术也加入进来，成为关键的生产要素。进入数字时代工厂中，通过传感器收集的机器设备运行数据，可以实时监控设备状态，调整生产参数，从而生产出质量更高的产品。数据还可以作为一种原材料，用于训练人工智能模型。例如，大量的文本数据是训练自然语言处理模型的基础，这些模型又可以应用于机器翻译、智能客服等多个领域。数据的优化功能：数据可以优化资源配置。在物流行业，通过分析货物运输数据、交通流量数据等，可以优化配送路线，提高物流效率，降低运输成本。同时，数据能够

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...