Page 22 - 基于人工智能的图像识别技术研究

基于人工智能的图像识别技术研究
Research on Image Recognition Technology Based on Artificial Intelligence

对数据利用的高要求，需要通过精细化的数据分类分级实现精确的数据合规。以

往立法分行业分领域规定了分类分级制度。20世纪70年代前后尤其在2000年以
后，在数十余部法律、行政法规、部门规章中，针对不同行业领域均建立了“分
类”“分级”“分级分类”或者“分类分级”管理等制度。
《中华人民共和国数据安全法》（以下简称《数据安全法》）首次确定了数

据领域的分类分级制度，其第二十一条规定：“国家建立数据分类分级保护制
度”。分类分级的思路大体等同于“具体问题具体分析”，但数据分类分级的难
度远大于现有的其他分类分级制度。各部门还在进行探索，如2022年2月10日公

布的工信部《工业和信息化领域数据安全管理办法（试行）》（征求意见稿）对
数据分类分级进行了细化、规定。2021年11月国家网信办《网络数据安全管理条
例（征求意见稿）》也选取数据分级进行了细化。但目前制度建设层面，缺乏对
数据分类作出实质性的规范，已有的一些涉及分类分级的标准及规范性文件执行

情况欠佳。在具体的数据合规中尚难给予数据分类分级较为精细、清晰地合规
指引。
1.数据分类分级的诸多痛点和难点

（1）分类分级的对象具有复杂性、动态性，且质量参差不齐
表现为：第一，作为数据分类分级的对象，数据存在多种形态，包括数据
元（data element）、数据记录（data record）、数据表（data table）、数据库

（database）等，使得数据分类分级过程中较易出现分类分级对象处于不同维度
的问题，增加了分类分级的复杂性。第二，对于某一数据处理者而言，因为数据
收集、加工、删除等原因，其所控制的数据几乎时刻处在变化中，这种变动性对

数据分类分级提出了新要求，增加了分类分级的难度。第三，实践中，虽然各行
各业都积累了大量数据，但数据质量参差不齐，对于结构化的数据而言，较易通
过技术手段进行分类分级；但对于非结构化的数据，分类分级的难度则巨大。
（2）分类分级的标准较为主观、宏观，具有不确定性

一般分类分级的对象，如植物分类、动物分类，其分类标准具有客观性。但数
据分类分级的标准具有客观性和主观性相结合的特征。在主观性判断标准中，至少
包含以下因子：数据的重要性、数据泄漏或者破坏所造成的影响对象、影响范围和

影响程度、对数据的监管要求、数据的价值再挖掘的可能性，而且这些主观性的标
准又相对比较宏观，缺乏定量分析，进一步增加了数据分类分级的不确定性。

14