来源与责任
说明记录系统、业务与技术负责人、收集目的、使用权限、保留、地区、导出和删除责任。
企业 AI 数据决策
企业怎样判断数据是否已经适合做 AI？
数据就绪必须按照任务判断。企业不需要先把所有数据清洗到完美；它需要为一条已经定义的流程和失败后果准备正确记录、语义、权限、历史、证据标注和反馈。
作者 Onyx Devs Lab · 发布 · 更新
相关连接已经定义的决策和结果
可信有人负责、可追溯、可解释、有权限
可用有代表性、可访问、可测试、可维护
在一条流程中评估数据
数据仓库清单或行数不能证明某项 AI 决策已经就绪。
语义与身份
定义对象、键值、时间、单位、状态、版本、关系、修正、缺失，以及跨系统同一个实体怎样对账。
代表性与标准答案
检查用户、期间、语言、常见与罕见案例、结果、标注、分歧、选择偏差、泄漏和时间变化。
证明数据能够支持生产
就绪包括初次导出后持续保持证据可用的管线和控制。
访问与保护
执行租户、角色、对象、字段、目的、环境和时间边界；遮蔽或最小化敏感数据并记录访问。
管线与检索
测试导入完整、解析、重复、迟到与失败记录、谱系、索引、检索召回、引用、新鲜度和重新处理。
反馈与维护
收集修正、异常、结果、漂移、政策变更、责任、服务水平、事故处理和维持数据可用的成本。
怎样进行任务级数据复核
定义决策
说明用户、流程、输出、记录系统、失败后果、新鲜度、证据和动作边界。
建立来源图
只盘点所需字段、语义、负责人、权限、历史、质量、访问方法和已知缺口，而不是全部企业数据。
测试代表性样本
在普通、边界、缺失、过期、冲突和受限案例运行导入、检索或建模，记录未知项。
选择最小修复
只修复阻碍决策的身份、收集、标注、访问、质量规则、反馈，或改用另一流程。
常见问题
开始前需要清洗所有数据吗？
不需要。从一条高价值流程开始，让所需证据适合该决策；没有决策边界的全企业清洗经常造成浪费。
历史数据越多越好吗？
不是。旧数据可能反映过期政策、偏差、产品、用户或流程；相关性、覆盖、权利、标注和已知变化更重要。
合成数据可以解决缺失吗？
清楚标记时可以支持测试或罕见案例覆盖，但未经验证不能证明真实世界的发生率、行为、权利或结果。