Развитие методов машинного обучения (ML) в химии критически зависит от объёма, качества и разнообразия доступных экспериментальных данных, однако для большинства физико-химических свойств такие данные разрознены по десяткам тысяч публикаций и не существуют в структурированном машиночитаемом виде. Наиболее остро эта проблема проявляется за пределами хорошо изученных областей, где созданы крупные аннотированные ресурсы. В докладе будет рассмотрен опыт создания открытых баз данных, восполняющих эти пробелы: BigSolDB 2.0 и MixtureSolDB — крупнейшие на момент публикации датасеты растворимости органических соединений в индивидуальных растворителях и бинарных смесях соответственно и MetalCytoToxDB — датасет цитотоксичности комплексов Ru, Ir, Os, Re, Au и Rh. Будут обсуждены ключевые этапы построения таких ресурсов: систематический поиск и отбор литературы, извлечение и стандартизация данных, многоступенчатый контроль качества и верификация источников, а также специфика представления объектов в машиночитаемом виде. На конкретных примерах будет показано, как созданные датасеты используются для обучения ML-моделей. Отдельное внимание будет уделено вопросам достоверности таких моделей - оценке внутренней согласованности данных, стратегиям разбиения выборок, подтверждающим, что предсказательная способность моделей обусловлена реальными зависимостями структура-свойство. Отдельно будут рассмотрены современные ограничения подхода - неполнота структурного представления комплексов переходных металлов, экспериментальный шум и неоднородность протоколов измерений между научными группами, дисбаланс химического пространства и перспективы дальнейшего развития: расширение охвата новых металлов и классов соединений, переход к более информативным представлениям структуры и интеграция с методами активного обучения для целенаправленного расширения датасетов.