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。

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。

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，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。

目前，Data x AI 发展仍处于以模块提效为主的第一阶段；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。