数据治理

本页目录：Tips 笔记解读笔记缺漏补充考点分析考察范围清单

📝 Tips 笔记解读▾

● 关键词"数据治理：框架，清单，分类" —— 数据治理围绕三大支柱展开：治理框架（framework）、数据清单/数据清点（inventory）、数据分类（classification）。可命题方向：三大支柱缺位分别带来的后果，以及三者在建立治理流程中的先后顺序（先清点、再分类、纳入框架）。

以下为考点明显在考但Tips未覆盖的内容，单列作补充：

⚠ 笔记缺漏补充▾

● 风险数据所有权与数据管理责任（accountability）必须明确：责任不清会导致问责机制缺失，进而抬高数据泄露与隐私合规风险。
● 风险数据分类策略缺位：未对敏感数据分类会造成训练阶段对敏感数据的不当处理。
● 好处/优点稳健数据治理框架的核心收益是支撑行业法规遵从，并最大程度降低数据泄露与隐私侵犯风险（而非减少人工监督或完全自动化数据准备）。
● 关键词数据驻留与主权控制（data residency / sovereignty）：在跨境或多云环境下是满足监管合规的关键手段。
● 关键词数据保留策略：保留期限不一致须以自动化手段执行策略来降低风险。
● 关键词治理建立时机：数据治理计划应在人工智能解决方案初始设计阶段就纳入，越早越好；建立治理前第一步是完成现有数据清点。
● 风险最大治理风险表现：对数据准确性与隐私合规性的控制不足。
● 好处/优点治理成熟度/有效性的衡量：可用"具备数据血缘记录的模型占比"等可量化指标体现。

🎯 考点分析▾

考察主线：本批题考查数据治理作为AI系统可信与合规基础的支撑作用，重点包括责任/所有权归属、数据分类、治理框架的建立时机与收益，以及隐私/法规合规控制。强调治理应尽早（设计阶段）开展，且首要步骤是数据清点与分类。
正确答案的共同知识方向：
- 数据治理框架是支撑AI输出可信度与合规的核心流程（而非模型对齐等技术动作）。
- 明确数据所有权/管理责任；缺失问责会放大泄露与合规风险。
- 数据分类策略缺失会直接导致敏感数据被不当处理。
- 数据保留不一致应以自动化策略执行工具来控制。
- 多源数据无所有权政策时，最担忧的是隐私合规与问责差距。
- 数据驻留/主权控制是跨境多云部署满足监管合规的关键。
- 治理计划应作为初始设计的一部分尽早建立；建立前先做数据清点。
- 治理成熟度可用"具数据血缘记录的模型百分比"衡量。
- 稳健框架的主要好处是法规遵从+降低泄露/隐私风险，而非减少人工监督。
常见干扰方向：
- 把治理等同于"减少人工监督/完全自动化数据准备"。
- 用技术细节（模型对齐、模型微调、基础设施成本、性能审查频率）替代治理流程作为首要答案。
- 把数据备份、用户培训、成本作为最大风险或首要考虑。
- 把项目数量、预算等数量型指标当作治理成熟度指标。
场景分布：信息系统审计场景、银行多云环境部署、跨外部来源数据整合、AI文档库上线后复核、生产环境引入。

📋 考察范围清单▾

数据治理框架：定义其为使数据管理实践标准化、支撑可信AI的系统性控制结构；边界——框架本身不是技术工具。
数据清单/数据清点：建立治理前首先完成对现有数据的清点与识别。
数据分类：按敏感度对数据分类，是防止敏感数据不当处理的前提。
数据所有权与管理责任：明确谁对数据负责（问责机制），责任不清将放大泄露与合规风险。
数据保留策略：以自动化工具执行保留期限，避免保留不一致。
隐私合规与问责控制：治理需保证数据准确性与隐私合规的控制到位。
数据驻留与主权：跨境/多云环境下满足监管合规的关键控制（可结合隐私设计/影响评估）。
治理建立时机：应在AI解决方案初始设计阶段纳入，越早越好。
治理成熟度指标：可用"具数据血缘记录的模型占比"等可量化指标衡量有效性。
治理收益边界：核心收益是法规遵从与降低泄露/隐私风险，不能表述为减少人工监督或完全自动化。

📄 Tips.pdf 补充对照▾

工具：框架、清单、分类、数据 / 模型中毒
模型中毒：要保护权限
数据中毒：来自可信来源 + 数据验证

→ 打开 PDF 补充页查看全部条目