Un jeu de données est une collection structurée de données utilisée pour entraîner, valider ou tester des modèles d'IA. La qualité et la diversité du jeu déterminent la performance réelle du modèle : des données biaisées produisent des modèles biaisés. Les jeux vont de quelques centaines de lignes pour un prototype à des milliards d'images pour des modèles de base. Les jeux ouverts populaires incluent ImageNet pour la vision, Common Crawl pour le langage, et les portails de données ouvertes gouvernementaux utilisés par les data scientists marocains.