Databricks 提出语义化数据治理：将治理工件转化为 AI 基石
治理工件本身就是 AI 的语义基础：把分类、血缘和契约编入目录，智能体就能在受控范围内自主执行，让数据治理直接驱动 AI 战略。
数据治理不只是安全管控，更是知识、上下文和本体论——对领域概念及其关系的显式描述。Databricks 主张将分类标签、数据契约、模型卡片等治理工件视作语义元数据，让 AI 智能体基于目录运行，从而降低模型成本并提升信任。
正文摘录
- title: 超越安全的数据治理：湖仓上的知识、上下文与本体论 - sourcecompany: Databricks - bodymarkdown: 将你的治理工件（governance artifacts）当作语义来阅读，那么你已经在做的审计工作，就会成为一流 AI 战略的基础——模型成本更低，信任度更高。 作者：Srikanth Mandalapu、Travis Paulson、Bernie Kuan 如果你去问大多数组织，AI 的数据治理意味着什么，得到的往往是安全层面的回答：锁起来、限制访问、通过审计。在医疗保健行业，安全是不可妥协的——但仅有安全并不完整。安全告诉你谁可以接触数据，但它对数据的 含义、数据 是否可信、或者一个 AI 模型 是否应该 从这些数据中学习，却只字未提。 我们的数据赋能计划（Data Empowerment Program，DEP）从一个不同的前提出发：治理关乎知识、上下文和本体论（ontology，即对概念及其关系的正式化描述），而不仅仅是管控。大多数团队视为合规负担的工件——比如分类标签、去标识化策略、模型卡和数据契约——实际上是企业数据语义的原材料。 从这个角度看，你并非需要在治理和 AI 之间做取舍，而是治理本身就在帮助构建 AI。AI 时代需要落实新的治理方法。唯一的问题是：你是想在将来为了应付审计而补做这些工作，还是现在就做，为你 AI 运行的根基打下基础。 我们的目标是证明：你已经在做的安全和治理工作，正是 AI 运行的基石。只要把数据治理到位，AI 就可以在更便宜的模型上运行，同时获得更多信任。 从一个视角出发：每一个治理工件都在为语义做出贡献。每个分类标签都是一个概念。每张模型卡都是一份上下文。每份数据契约都是一个共享定义。每条血缘关系都是一次关联。