資料版本控制（data version control）

Git 讓程式碼可再現，靠的是給專案的每一個狀態一個可回溯、不可變的雜湊。資料版本控制把這個承諾延伸到模型學習所依據的資料集——那些對 Git 來說太大、卻對再現性同等吃重的資料。目標是任何過往實驗都能被精確重建，因為它的資料快照可依版本定址，於是「這個模型是怎麼訓練的」這個問題，永遠有一個完整且可驗證的答案，而不是一個最佳猜測。

由於原始資料集可達數 TB，常見的設計是把大檔案存在物件儲存中，只把輕量、以內容雜湊定址的指標與中繼資料連同程式碼一起納入版本控制。提交一份資料集會記錄其內容的雜湊；檢出某個版本則精確還原那些位元組。這帶來以內容定址、去重的快照，可廉價分支以比較不同資料變體，以及程式碼提交、資料版本與所得模型三者之間的緊密耦合，共同闔上了單靠程式碼版本控制無法閉合的再現性迴圈。

這份紀律在三個地方獲得回報：幾個月後重現某個結果、對兩個資料集版本做差異比對以解釋指標為何變動，以及滿足要求確切訓練語料的稽核。摩擦在於營運層面——龐大的二進位快照耗費儲存、需要刻意的保留政策——但另一條路，也就是在一份此後已被原地改動的資料集上訓練出的模型，是一個沒有人能重建或信賴的結果。