术路线，选择了北京、天津、上海等18个城市围绕以上六条技术路线开展城市数据基础设施建设试点试验， 并启动了11项数据基础设施国家标准研究制订。 目前，《指引》提出的六条技术路线成熟度还不高，还不能完全实现安全可信基础上的数据大规模流 通，全国各地方各行业特别是开展试点示范的18个试点城市，对各条技术路线的发展现状、技术特点、适用 范围、应用情况、发展趋势等方面有迫切需求。非试点地区和行业也对数据基础设施的试点建设进展高度关 态安全。在数据要素化发展新阶段，数据成为新型生产要素， 不仅对数据提出大规模、高通量、快速率的流通要求，充分发挥数据的要素价值作用，同时对数据安全也提出了新的、更 严格的要求，即要确保数据在大规模、高通量、快速率的流通过程中的安全。数据安全发展到了动态全过程安全阶段，这 时不仅需要更加强大的连接和算力功能，对数据更大规模、更快速率、更高通量流通利用的需求更强烈，而使用控制、隐 私计算、区域 式、统一的Lakehouse Platform、机器学习管理平台MLflow，以及数据治理解决方案Unity Catalog。其中，Apache Spark 是一个开源的大数据计算框架。Spark设计用于处理大规模数据集，提供了快速的通用数据处理平台，特别适用于需要高速 访问和处理的数据密集型任务。Sprak集成了多种前沿计算机系统优化技术，处理速度快，易用性强，可处理多种数据源和 格式。被广泛应用于金融

视， 及其他伦理道德相关的问题和风险。因为在 AI 时代，数据就是生产资料，基础数据的准确性将直 接影响后续的决策和判断。例如：亚马逊的智能招聘，曾基于历史数据，招聘了更多的男性，造 成了更大规模的性别歧视，导致亚马逊不得不停掉了这一应用； ● 鉴于人力资源管理业务的特殊性，在项目实施中，我们要关注数据在收集、使用和传输过 程中的安全性及合规性，特别是和员工个人隐私相关的数据。不仅要通过加密、权限控制等措施， AI 项目的准备过程中，数据 准备是难度最大且必须跨越的难关，具体表现为在招聘过程中如何积累企业方（业务人员和 HR） 与候选人互动的数据；在已实践 AI 技术应用的企业中，通常呈现“快速投放、大规模实施、更迭 优化”的状态；初代 AI 产品投放后，不断优化算法模型的过程中，HR 需要提升训练 AI 的能力。 人才发展： AI 可负责多维度人才报告整合与生成，系统数据自主抓取，生成相应模板的意见和报告；将绩效