数据「熵增」时代，AI 如何以标准重构治理秩序?
Agent热潮不减,但数据分析与治理状况却仍存在短板。据Gartner公司预测,到2027年,80%的数据和分析治理举措或将因各类原因而失效。如何在AI时代重塑数据治理体系,让混乱数据重归有序,成为企业智能转型的关键命题。 近日,在infoQ举办的全球人工智能开发与应用大会上,瓴羊智能数据建设与治理产品 Dataphin 高级技术专家 周鑫 受邀出席,以「基于统一标准的智能数据治理Dataphin的落地实践」为主题,系统阐述了以数据标准为核心,实现可持续数据治理的方法论,以及以AI赋能自动化数据治理、重构复杂业务流程的实践路径。 01数据「熵减」之道:基于统一标准,打造数据治理方法论 “事物天生具有‘变混乱’的趋势,数据也是如此。如何将无序变得有序?按照热力学第二定律,需要从外界输入能量,并且具备感知能力。” 周鑫表示:“对于数据治理来说,能量就是治理工具,感知就是标准规范。”数据治理是实现数据世界的“熵减”,它可以通过现状评估、制定目标、执行计划、持续监测四个治理阶段,帮助数据生产者打破孤岛,实现低成本数据开发,帮助数据管理者做好资产盘点,确保数据质量与安全,帮助数据使用者便捷用数,助力决策分析。 但在现实情况中,许多数据治理的结果通常会面临失败,周鑫将其归结为四个原因:1)治理动作分散,缺乏体系化方法论;2)治理流程复杂,重度依赖人的能力和素质;3)缺乏工具支撑,导致理论与实施脱节;4)无法持续治理,治理策略难以快速调整。 面对以上四类问题,Dataphin提出了一套以数据标准为中心的数据治理方法论及产品化的落地。其核心逻辑为:聚焦Data x AI,用中台方法论构建统一的数据标准,打造企业级好数据,帮助企业形成数据生产、数据消费、行业数据流通的数据要素服务链,驱动数据价值的释放。 “方法论的核心关键,在于以数据标准为中心。数据标准贯穿数据整个生命周期,它让数据治理具备核心抓手,不会漫无目的”,周鑫表示,企业需从核心业务入手,先行试点开展业务梳理与盘点工作,将相关统一纳入DataCatalog,并在此过程中逐步形成对应的数据标准。 标准梳理完成后,平台即可开展标准构建:通过统一的数据标准,自动实现质量监控与安全分类,保障开发过程规范,阻断不规范数据开发。同时,统一标准可提升数据的可理解性与细节清晰度,实现数据从生成、开发到消费的全生命周期标准化管理。 “整个治理链路就是以数据标准为中心,将传统的复杂的治理手段,简化成数据标准的梳理与治理效果的评估过程,数据符合标准的程度越高,整体数据质量也就越好”。 周鑫表示,该方案以数据标准为核心,通过插件集成、API注册和准实时同步等多种方式采集元数据,并统一纳入 DataCatalog,结合质量规则和安全策略进行自动识别与治理。这一方法论具备三大优势:一是体系化,明确治理目标与路径;二是易落地,借助一体化工具和AI能力,贯穿数据全生命周期;三是可持续,以标准驱动模式便于应对业务变化,有效降低治理成本与复杂度。 02语义知识+流程提效,智能Agent多场景赋能数据治理 许多企业在应用 Agent 时都难免遇到一个难题:Agent 虽然具备一定的智能和对话能力,但在复杂业务场景中常常“空转”,无法真正理解业务语境、解决预期的实际问题。 周鑫表示,造成这一现象的根本原因,“在于数据质量偏低或数字化基础薄弱,导致Agent无法有效发挥价值,最终企业只能被迫放弃”。 AI时代,优质数据至关重要,但“好数据”应如何获取?AI又该如何赋能数据治理? 首先,“Agent在没有丰富准确的语义知识下,不可能达到可生产使用的准确率”,周鑫认为,企业获取好数据,需要构建准确且丰富的语义知识体系。Dataphin针对这一需求,打造了包含元数据、数据标准、数据模型、业务知识四大语义知识体系。企业可以通过采集丰富且统一的元数据,建立涵盖码表、词根、值域及安全分类分级的标准体系,依托Dataphin智能构建的概念模型、逻辑模型和物理模型,以及对业务词条和逻辑的高效管理,实现对复杂业务知识的精准映射和应用。 以NL2SQL为例,Dataphin通过引入业务语义,不仅提升了问题泛化能力,还大幅提高了SQL匹配的准确率,显著增强了对自然语言的理解能力。实测数据显示,在Dataphin开放数据共享模型涵盖的45个典型问题中,简单问题的SQL准确率从70%提升至80%,而中等及复杂问题的准确率更是从10%跃升至60%。 其次,企业还需借助AI,对数据治理链路进行提效。基于TaskWeaver改造,Dataphin构建了具备生产化能力的Agent框架,覆盖研发、治理、资产问答等多个场景,显著提升了现有流程效率,拓展了 Agent 的应用边界。 以 NL2SQL 为例,系统可在识别信息不全时自动发起反问,补全后再继续处理,确保复杂业务场景下依然具备高理解力与执行准确率。同时,Dataphin 的开放能力不断演进,从传统的 API 和数据服务扩展至 MCP 模式,支持更灵活的接入方式,适配非固定流程和动态交互等复杂需求。 在智能找表场景,Dataphin有效解决了用户将复杂业务问题,转化为准确搜索词的难题。“引入AI后,你可以用业务的语言直接问,比如‘我要做客户分层’,‘我要用哪张表’,AI会用大模型去对业务问题进行拆解和泛化,最后找关联到你已有的全域资产”。 在数据分析场景,Dataphin通过专辑机制与丰富的语义知识,解决了因语义知识的缺失或混乱,相似口径和命名干扰、以及海量表格带来的找表难题,显著提升了找表的效率与准确率。 在数据治理场景,Dataphin通过“性别”等复杂字段特征识别,解决了正则表达式“不会写”、“看不懂”难题,取代了传统人工探查的繁琐过程,以往需要耗费十几分钟的特征识别,如今只需几十秒即可完成。 在数据管家场景中,资产上架往往涉及表描述、字段注释、目录归属、标签分类等复杂操作,尤其在字段数量众多时,人工维护工作量大、耗时长且易出错。通过引入 AI 能力,Dataphin支持属性信息的智能生成,可一键生成表/字段描述信息、目录、标签等,使人力成本与操作门槛大大降低。 随着 AI 对复杂节点的处理能力增强,Dataphin正在以“智能工作台”有机整合独立模块,重构整体业务流程。 “有了AI之后,工作台模式可以让很少的人,完成复杂的业务,每个环节都有大量AI和自动化能力支撑,人们干的最多的事情是进行确认”,周鑫表示,未来,AI还将在更多场景中深度参与,从辅助提效逐步向自动化、智能化方向迈进,推动企业实现数据治理范式的全面升级。
