
促进大数据发展行动纲要:推动产业创新发展(5)
大数据关键技术及产品研发与产业化工程
通过优化整合后的国家科技计划(专项、基金等),支持符合条件的大数据关键技术研发。
加强大数据基础研究。融合数理科学、计算机科学、社会科学及其他应用学科,以研究相关性和复杂网络为主,探讨建立数据科学的学科体系;研究面向大数据计算的新体系和大数据分析理论,突破大数据认知与处理的技术瓶颈;面向网络、安全、金融、生物组学、健康医疗等重点需求,探索建立数据科学驱动行业应用的模型。
大数据技术产品研发。加大投入力度,加强数据存储、整理、分析处理、可视化、信息安全与隐私保护等领域技术产品的研发,突破关键环节技术瓶颈。到2020年,形成一批具有国际竞争力的大数据处理、分析、可视化软件和硬件支撑平台等产品。
提升大数据技术服务能力。促进大数据与各行业应用的深度融合,形成一批代表性应用案例,以应用带动大数据技术和产品研发,形成面向各行业的成熟的大数据解决方案。
7.完善大数据产业链。支持企业开展基于大数据的第三方数据分析发掘服务、技术外包服务和知识流程外包服务。鼓励企业根据数据资源基础和业务特色,积极发展互联网金融和移动金融等新业态。推动大数据与移动互联网、物联网、云计算的深度融合,深化大数据在各行业的创新应用,积极探索创新协作共赢的应用模式和商业模式。加强大数据应用创新能力建设,建立政产学研用联动、大中小企业协调发展的大数据产业体系。建立和完善大数据产业公共服务支撑体系,组建大数据开源社区和产业联盟,促进协同创新,加快计量、标准化、检验检测和认证认可等大数据产业质量技术基础建设,加速大数据应用普及。
专栏9 大数据产业支撑能力提升工程
培育骨干企业。完善政策体系,着力营造服务环境优、要素成本低的良好氛围,加速培育大数据龙头骨干企业。充分发挥骨干企业的带动作用,形成大中小企业相互支撑、协同合作的大数据产业生态体系。到2020年,培育10家国际领先的大数据核心龙头企业,500家大数据应用、服务和产品制造企业。
大数据产业公共服务。整合优质公共服务资源,汇聚海量数据资源,形成面向大数据相关领域的公共服务平台,为企业和用户提供研发设计、技术产业化、人力资源、市场推广、评估评价、认证认可、检验检测、宣传展示、应用推广、行业咨询、投融资、教育培训等公共服务。
中小微企业公共服务大数据。整合现有中小微企业公共服务系统与数据资源,链接各省(区、市)建成的中小微企业公共服务线上管理系统,形成全国统一的中小微企业公共服务大数据平台,为中小微企业提供科技服务、综合服务、商贸服务等各类公共服务。
(三)强化安全保障,提高管理水平,促进健康发展。
1.健全大数据安全保障体系。加强大数据环境下的网络安全问题研究和基于大数据的网络安全技术研究,落实信息安全等级保护、风险评估等网络安全制度,建立健全大数据安全保障体系。建立大数据安全评估体系。切实加强关键信息基础设施安全防护,做好大数据平台及服务商的可靠性及安全性评测、应用安全评测、监测预警和风险评估。明确数据采集、传输、存储、使用、开放等各环节保障网络安全的范围边界、责任主体和具体要求,切实加强对涉及国家利益、公共安全、商业秘密、个人隐私、军工科研生产等信息的保护。妥善处理发展创新与保障安全的关系,审慎监管,保护创新,探索完善安全保密管理规范措施,切实保障数据安全。
2.强化安全支撑。采用安全可信产品和服务,提升基础设施关键设备安全可靠水平。建设国家网络安全信息汇聚共享和关联分析平台,促进网络安全相关数据融合和资源合理分配,提升重大网络安全事件应急处理能力;深化网络安全防护体系和态势感知能力建设,增强网络空间安全防护和安全事件识别能力—展安全监测和预警通报工作,加强大数据环境下防攻击、防泄露、防窃取的监测、预警、控制和应急处置能力建设。
专栏10 网络和大数据安全保障工程
网络和大数据安全支撑体系建设。在涉及国家安全稳定的领域采用安全可靠的产品和服务,到2020年,实现关键部门的关键设备安全可靠。完善网络安全保密防护体系。
大数据安全保障体系建设。明确数据采集、传输、存储、使用、开放等各环节保障网络安全的范围边界、责任主体和具体要求,建设完善金融、能源、交通、电信、统计、广电、公共安全、公共事业等重要数据资源和信息系统的安全保密防护体系。
网络安全信息共享和重大风险识别大数据支撑体系建设。通过对网络安全威胁特征、方法、模式的追踪、分析,实现对网络安全威胁新技术、新方法的及时识别与有效防护。强化资源整合与信息共享,建立网络安全信息共享机制,推动政府、行业、企业间的网络风险信息共享,通过大数据分析,对网络安全重大事件进行预警、研判和应对指挥。
四、政策机制
(一)完善组织实施机制。建立国家大数据发展和应用统筹协调机制,推动形成职责明晰、协同推进的工作格局。加强大数据重大问题研究,加快制定出台配套政策,强化国家数据资源统筹管理。加强大数据与物联网、智慧城市、云计算等相关政策、规划的协同。加强中央与地方协调,引导地方各级政府结合自身条件合理定位、科学谋划,将大数据发展纳入本地区经济社会和城镇化发展规划,制定出台促进大数据产业发展的政策措施,突出区域特色和分工,抓好措施落实,实现科学有序发展。设立大数据专家咨询委员会,为大数据发展应用及相关工程实施提供决策咨询。各有关部门要进一步统一思想,认真落实本行动纲要提出的各项任务,共同推动形成公共信息资源共享共用和大数据产业健康安全发展的良好格局。
(二)加快法规制度建设。修订政府信息公开条例。积极研究数据开放、保护等方面制度,实现对数据资源采集、传输、存储、利用、开放的规范管理,促进政府数据在风险可控原则下最大程度开放,明确政府统筹利用市场主体大数据的权限及范围。制定政府信息资源管理办法,建立政府部门数据资源统筹管理和共享复用制度。研究推动网上个人信息保护立法工作,界定个人信息采集应用的范围和方式,明确相关主体的权利、责任和义务,加强对数据滥用、侵犯个人隐私等行为的管理和惩戒。推动出台相关法律法规,加强对基础信息网络和关键行业领域重要信息系统的安全保护,保障网络数据安全。研究推动数据资源权益相关立法工作。
(三)健全市场发展机制。建立市场化的数据应用机制,在保障公平竞争的前提下,支持社会资本参与公共服务建设。鼓励政府与企业、社会机构开展合作,通过政府采购、服务外包、社会众包等多种方式,依托专业企业开展政府大数据应用,降低社会管理成本。引导培育大数据交易市场,开展面向应用的数据交易市场试点,探索开展大数据衍生产品交易,鼓励产业链各环节市场主体进行数据交换和交易,促进数据资源流通,建立健全数据资源交易机制和定价机制,规范交易行为。
(四)建立标准规范体系。推进大数据产业标准体系建设,加快建立政府部门、事业单位等公共机构的数据标准和统计标准体系,推进数据采集、政府数据开放、指标口径、分类目录、交换接口、访问接口、数据质量、数据交易、技术产品、安全保密等关键共性标准的制定和实施。加快建立大数据市场交易标准体系—展标准验证和应用试点示范,建立标准符合性评估体系,充分发挥标准在培育服务市场、提升服务能力、支撑行业管理等方面的作用。积极参与相关国际标准制定工作。
(五)加大财政金融支持。强化中央财政资金引导,集中力量支持大数据核心关键技术攻关、产业链构建、重大应用示范和公共服务平台建设等。利用现有资金渠道,推动建设一批国际领先的重大示范工程。完善政府采购大数据服务的配套政策,加大对政府部门和企业合作开发大数据的支持力度。鼓励金融机构加强和改进金融服务,加大对大数据企业的支持力度。鼓励大数据企业进入资本市场融资,努力为企业重组并购创造更加宽松的金融政策环境。引导创业投资基金投向大数据产业,鼓励设立一批投资于大数据产业领域的创业投资基金。
(六)加强专业人才培养。创新人才培养模式,建立健全多层次、多类型的大数据人才培养体系。鼓励高校设立数据科学和数据工程相关专业,重点培养专业化数据工程师等大数据专业人才。鼓励采取跨校联合培养等方式开展跨学科大数据综合型人才培养,大力培养具有统计分析、计算机技术、经济管理等多学科知识的跨界复合型人才。鼓励高等院校、职业院校和企业合作,加强职业技能人才实践培养,积极培育大数据技术和应用创新型人才。依托社会化教育资源,开展大数据知识普及和教育培训,提高社会整体认知和应用水平。
(七)促进国际交流合作。坚持平等合作、互利共赢的原则,建立完善国际合作机制,积极推进大数据技术交流与合作,充分利用国际创新资源,促进大数据相关技术发展。结合大数据应用创新需要,积极引进大数据高层次人才和领军人才,完善配套措施,鼓励海外高端人才回国就业创业。引导国内企业与国际优势企业加强大数据关键技术、产品的研发合作,支持国内企业参与全球市场竞争,积极开拓国际市场,形成若干具有国际竞争力的大数据企业和产品。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30