تعتبر جودة البيانات عنصراً أساسياً في بناء أنظمة الذكاء الاصطناعي القائمة على البيانات، حيث يشمل التحليل حساب معدلات القيم المفقودة، ونسب التكرار، وكثافة القيم الشاذة، وانتهاكات التبعية الوظيفية. ومع ذلك، فإن إجراء مسوحات شاملة على الملايين من الصفوف يعد بطيئاً جداً لمراقبة البيانات في الوقت الحقيقي.

لحسن الحظ، برزت استراتيجيات أخذ العينات المتقدمة كبديل قياسي، حيث تم إجراء دراسات لتحديد الاستراتيجية الأفضل التي تحافظ على دقة التحليل على نطاق واسع. في هذا السياق، تم اختبار تسع استراتيجيات أخذ عينات، منها العشوائية (random uniform) والجيومائية (geometric) وطرق الاستدلال الخاضع للمراقبة (proxy-guided) مثل Metropolis-Hastings.

اشتملت التجارب على ثلاثة مجموعات بيانات حقيقية، واحدة من مركز NYC 311، وأخرى من اعتقالات شرطة نيويورك، وأخيراً مجموعة بيانات البالغين من UCI، بالإضافة إلى تدفق بيانات من حساسات IoT، وتمت معالجة بيانات بسعة تصل إلى 7.4 مليون صف.

أظهرت النتائج أن أخذ العينات العشوائية يسجل أدنى معدل خطأ نسبي (0.49%)، في حين كانت الطرق المدعومة بالحساب تظهر أداءً أضعف بـ 40 مرة. وهذا يشير إلى أن ربط جودة العينات بمعرفة المجال ليس هو الأساس بل يمثل الاصطناعية بالهيكل التدريجي للعينة. ومن هنا، فإن الحل الفائق لجودة البيانات هو استخدام أخذ العينات العشوائية أو أخذ العينات العنقودية التي يمكن أن تحقق عملياً ما يكفي من الجودة مع الحفاظ على سرعة الأداء.