AI赋能数据治理：革新制造企业数据管理

Hello，大家好，我是人月聊IT。 今天继续分享Google DeepResearch的研究分析报告，本次输出的是在企业数据治理场景里面的，如何更好地应用AI赋能。 AI编程工具研发分析报告。具体的提示语如下： 请帮我做一个AI赋能数据治理的分析研究报告，内容要求如下 1. 需要有数据治理基本概念，内容的基础介绍 2. 在这里研究的数据治理特指传统企业，特别是生产制造企业的数据治理 3. AI赋能可以从数据治理涉及到的数据采集集成，数据建模，元数据管理，数据存储，数据分析，数据服务能力开放，数据质量，数据安全多个方面展开，但是不局限在我给出的方面 4. 要能够体现AI赋能后和传统数据治理做法下的差异点分析 5. 最后需要说明AI赋能数据治理当前存在的一些暂时没法解决的问题点

图片

执行摘要

本报告旨在深入研究人工智能（AI）如何赋能传统企业，特别是生产制造企业的数据治理。报告首先阐述了数据治理的基本概念、核心原则及其在制造业中的独特挑战和重要性。

随后，详细探讨了AI在数据采集与集成、数据建模、元数据管理、数据存储、数据分析、数据服务能力开放、数据质量管理以及数据安全与合规等多个方面的赋能作用。通过对比分析AI赋能下与传统数据治理做法的差异，揭示了AI带来的速度、规模、自动化、主动性和智能化等方面的显著优势。

最后，报告指出了当前AI赋能数据治理在制造业应用中仍存在的数据质量与偏见、模型透明度与可解释性、技术复杂性与专业人才缺乏、AI系统自身安全风险与伦理问题，以及动态演变的法规遵从性等尚待解决的问题和局限性。本报告旨在为制造企业领导者和数据专业人士提供战略性洞察，以应对数据驱动时代的挑战与机遇。

图片

第一章：制造企业数据治理的基础

本章旨在构建数据治理的基础概念，并强调其在传统制造企业，尤其是在工业4.0背景下的核心地位。

1.1. 数据治理的定义：核心概念、原则与目标

数据治理是一个战略性框架，包含一系列政策、流程、标准和角色，旨在确保数据作为一项有价值的资产得到有效管理 。其核心目标是保证数据在整个生命周期内的准确性、安全性、一致性及合规使用。关键原则包括问责制、数据管理（stewardship）、数据质量、数据安全和合规性 。

数据治理的主要目标在于改进决策制定、提升运营效率、确保法规遵从、降低风险，并最终从数据中驱动业务价值 。一个成功的数据治理项目需要清晰的愿景、合适的人员、智能的技术以及高效的流程 。

数据治理的关键要素涵盖数据质量管理、数据安全与隐私、数据管理与所有权、数据生命周期管理、数据目录和数据分类 。其中，数据目录作为“集中的元数据存储库”，对于发现、理解和访问数据至关重要；而数据质量则是“准确分析”的基石 。 常见的数据治理框架如DAMA-DMBOK，将数据治理置于数据管理学科的中心地位 。DAMA-DMBOK被视为一个“综合性框架”，视数据治理为连接其他所有数据管理领域（如数据质量、安全、元数据等）的“核心支柱” 。尽管其范围全面、角色清晰，但也因其复杂性和战略性而非操作性的特点，在实施中面临挑战 。

1.2. 传统制造业数据治理的迫切性 传统制造企业面临着独特且复杂的数据挑战：源自物联网（IoT）传感器、生产线、SCADA、MES、ERP、PLM系统的大量数据，数据的高速流动性，以及结构化、非结构化、半结构化等多样的数据类型 。

此外，遗留系统的数据集成困难、跨部门（设计、生产、供应链、质量）的数据孤岛普遍存在，以及确保主数据管理（MDM）的一致性等问题也尤为突出 。

工业4.0和智能制造的兴起，通过增加数据生成量和对实时数据驱动决策的需求，进一步放大了这些挑战 。正如相关分析指出，“智能工厂利用人工智能和数千个互联传感器来持续优化其运营” ，这无疑带来了海量的数据洪流。

在现代制造业中，数据已从副产品转变为优化生产流程、实施预测性维护、进行质量控制、提升供应链可见性、加速新产品开发以及确保法规遵从（如可追溯性、环境报告）的关键资产 。例如，遵守行业法规是制造企业的“首要任务” 。AI在制造业中的应用，如西门子和卡特彼勒的预测性维护、博世和特斯拉的质量保证，以及联合利华和亚马逊的供应链优化，都高度依赖于经过良好治理的数据 。

传统制造企业在数据管理方面往往背负着显著的“数据债务”。这种债务源于多年来使用互不兼容的遗留系统、不断演变的数据格式以及孤立的部门级数据实践所积累的问题 。这不仅仅是技术陈旧的问题，更关乎根深蒂固的流程和历史上缺乏中央数据战略的后果。这种债务表现为数据质量低下、不一致和难以访问，严重阻碍了诸如工业4.0等现代化举措的推行。

因此，AI赋能的数据治理不仅仅是一种改进，更是传统制造商开始偿还这些累积的数据债务、释放新技术潜能的必要工具。观察可见，制造业在遗留系统和数据孤岛方面挑战重重 ，这些问题由来已久，意味着历史决策正对当前运营构成负担。难以从过时系统中迁移数据 以及对主数据管理一致性的需求均印证了这一点。因此，AI治理不仅对未来数据至关重要，对于修复历史数据问题、赋能未来发展同样关键。

工业4.0及其催生的物联网设备和互联系统 ，在显著增加数据体量、速度和种类的同时，也加剧了现有的数据治理挑战 。然而，创造这些挑战的技术（如传感器、连接性）本身也为AI驱动的治理工具提供了原始数据和基础设施，使其能够进行更精细、实时的监控和控制。

因此，工业4.0既对高级数据治理提出了迫切需求，同时也为其实现创造了条件。工业4.0意味着更多的传感器和数据 ，这加剧了制造业本已存在的数据量和复杂性挑战 ，使得数据治理更为困难。但反过来看，AI依赖数据运行，并能自动化治理任务 ，工业4.0系统产生的数据恰恰是AI所需要的。制造商必须将此视为一个集成的挑战与机遇，认识到工业4.0是AI驱动数据治理的驱动因素，也是促成因素。

尽管合规性仍然至关重要 ，但制造业数据治理的重心正在发生转变。传统上，数据治理可能被视为成本中心或纯粹的法规要求。然而，随着AI在提升运营效率、实现预测性维护和改进质量方面的能力日益显现 ，数据治理越来越被看作是实现有形业务价值的推动者。

正如Gartner等机构观察到的，数据治理的焦点正从风险与合规转向价值创造 。这一转变为确保投资和推动强健治理实践的采纳提供了关键动力。合规性是制造业数据治理的关键驱动因素 ，而AI能够带来显著的运营效益（如预测性维护、质量提升） 。这些效益依赖于数据，因而也依赖于治理。

因此，数据治理的商业案例正在超越单纯的合规需求，向直接创造价值延伸，正如一些分析指出的从以政策为中心向以价值为中心的转变 。如果能够清晰阐明AI驱动的数据治理对卓越运营和盈利能力的贡献，而不仅仅是其满足法规的作用，制造企业领导者将更倾向于投资。

第二章：AI赋能制造业数据治理的变革

本章将深入探讨人工智能技术如何在制造企业中提升数据治理的各个方面。每个小节将分析传统挑战、AI提供的解决方案，并结合实例进行说明。

2.1. AI在数据采集与集成中的应用：提升准确性与效率

• 自动化数据捕获与摄取： AI技术，包括用于处理非结构化数据的自然语言处理（NLP）和用于处理视觉数据的计算机视觉，能够自动化从各种来源提取数据的过程，从而减少人工操作并降低错误率。
• 智能数据映射与转换： AI工具能够学习数据的结构和关系，自动化地将来自不同数据源的数据映射并转换为一致的格式，从而促进无缝集成 。相关研究指出，AI工具可以“将不同格式和结构的数据自动映射和转换为更一致的格式” 13。
• 连接遗留系统与现代系统： AI能够适应各种数据格式和协议，从而实现遗留系统中的历史数据与新的信息源的集成 。
• 实时数据集成与流分析： AI支持从物联网设备和生产线实时集成数据，从而实现即时分析和响应。
• 传统挑战： 传统制造企业的数据采集与集成面临诸多挑战，包括大量的手动数据录入、来自不同系统（如车间、ERP、SCM、PLM及遗留系统）的数据源异构、数据格式不一致，以及缓慢的集成过程，这些都导致了数据延迟和质量问题 。
• AI赋能方案：
• 制造业相关性： 对于整合来自不同OT（操作技术，如SCADA、MES）和IT（信息技术，如ERP、CRM）系统的数据，以创建统一的数据视图，从而支持智能工厂计划至关重要。
• AI技术通过自动化模式匹配和数据对齐来增强数据集成，这对于制造业中常见的多云和混合环境至关重要 。

2.2. AI驱动的智能数据建模与设计

• 自动化数据模型发现与生成： AI算法能够分析现有数据结构和关系，自动发现模式并提出甚至生成数据模型（概念模型、逻辑模型、物理模型）。有研究提到AI“可以剖析数据关系并构建复杂的模型” 。
• 语义建模与知识图谱： AI可以帮助构建和维护语义层及知识图谱，这些技术能够以业务可理解的方式表示数据，连接数据实体、元数据和治理规则 。知识图谱“充当统一层，映射数据实体……如何相互关联以及与治理策略相关联” 。
• 动态数据模型自适应： AI能够监控数据使用情况和业务变化，从而建议或自动调整数据模型，确保其保持相关性和优化性，这对于需要可审计变更的受监管行业尤其重要 。
• 自动化数据模型验证与合规检查： AI可以根据预定义的规则、标准和法规要求验证数据模型，确保一致性和合规性 。相关资料显示，AI可以“扫描所有数据字段以查找不一致……和不正确的格式” 。
• 传统挑战： 传统的数据建模过程通常是手动的，耗时费力，难以适应快速变化的业务需求。确保模型准确反映复杂的制造流程，并避免人为偏见对模型设计的影响，也是一大挑战。
• AI赋能方案：
• 制造业相关性： 对于创建精确的数字孪生、优化用于分析（如预测性维护模型）的数据结构，以及确保数据模型能够随着敏捷制造实践的发展而演进至关重要。
• 生成式AI（Generative AI）可以自动化数据标注、画像和分类，这些都是数据建模的基础 。例如，Tableau Semantics利用生成式AI通过语义数据模型实现对话式查询 。知识图谱（通常由AI构建）通过对关系和规则建模来改进元数据管理、数据血缘和合规性 。SAP正在探索使用GenAI进行主数据摘要 。

2.3. AI驱动的元数据管理：解锁数据背景与血缘

• 自动化元数据发现与提取： AI工具（包括NLP）能够扫描结构化和非结构化数据资产，自动提取和生成技术性及业务性元数据 。研究表明，AI驱动的工具“自动发现、分类和丰富元数据” 。
• 智能数据目录： AI通过自动化数据资产的标记、分类和组织来增强数据目录功能，从而改善用户的数据发现和理解能力 。数据目录是数据治理的关键要素之一 。例如，沃尔玛使用生成式AI改进产品数据，宝马则利用AI创建用于汽车制造的合成数据集 。
• 自动化数据血缘追踪： AI能够自动追踪数据在系统间的起源、转换和流动，提供清晰且可审计的数据血缘，这对于建立信任和确保合规至关重要 。AI在“自动化数据流跟踪”方面发挥着重要作用 。
• 代理式AI进行元数据管理（Agentic AI for Metadata Management）： AI代理可以主动管理元数据，确保其最新、准确并与业务背景保持一致，可将人工工作量减少高达50-70% 。代理式AI利用机器学习来“查找、排序并保持元数据最新” 。
• 传统挑战： 手动创建和维护元数据、元数据不一致、难以追踪数据血缘以及由于元数据不足导致的数据发现困难是传统元数据管理的常见痛点。
• AI赋能方案：
• 制造业相关性： 对于理解从车间到企业系统的复杂数据流、确保物料和产品的可追溯性，以及为工程师和业务用户提供自助服务分析能力至关重要。
• “代理式AI”能够自动化标记，提供实时可见性并增强数据血缘 。AI/NLP通过自动化标记、情境化关系和改进发现来重塑元数据管理，未来的趋势包括用于数据编织（Data Fabric）的预测性元数据 。AI在持续元数据扫描和策略标记方面也发挥着重要作用 。

2.4. AI优化数据存储与运营

• 智能分层与归档： AI能够分析数据访问模式并预测未来需求，从而自动将数据分层到合适的存储（热存储、冷存储）或归档不活跃数据，以优化成本和性能 。有研究指出，AI可以“根据使用情况建议何时归档、复制或压缩数据” 。
• 自动化数据生命周期管理： AI可以根据治理策略和法规要求，管理从数据创建到处置的整个生命周期 。
• 针对AI/ML优化的存储： 专业的AI数据存储解决方案利用AI管理用于AI工作负载的海量、多样化数据集，通过智能索引和数据缩减（如去重、压缩）等功能确保训练和推理的高性能 。AI存储“为管理AI应用产生的大量数据提供高性能、可扩展的存储选择” 。
• 预测性容量规划： AI可以根据数据增长趋势和工作负载模式预测存储需求，防止容量短缺。
• 传统挑战： 传统数据存储面临效率低下、海量制造数据集存储成本高昂、难以管理多样化数据类型（如时间序列数据、图像、视频），以及确保AI/ML工作负载的数据可用性和性能等问题。
• AI赋能方案：
• 制造业相关性： 高效管理海量的传感器数据、高分辨率的质量检测图像/视频以及仿真数据。确保数据随时可用于AI驱动的预测性维护和质量控制模型。
• AI数据存储通过优化效率（去重、压缩、分层）、确保安全性以及管理大型数据集来支持AI/ML工作负载，这对于制造业的预测性维护和质量控制尤为重要 。面对“AI和ML模型所需的大量且多样的训练数据”，可扩展的基础设施至关重要 。

2.5. AI在（治理框架内）高级数据分析与洞察生成中的应用

• 自动化模式识别与异常检测： AI算法能够筛选海量数据集，识别人眼可能忽略的复杂模式、相关性、异常和离群点，从而为流程优化或缺陷检测带来新洞察 。AI的能力在于“模式识别和实时数据分析” 。
• 预测性与规范性分析： AI支持预测建模（例如，设备故障预测、需求预测）和规范性分析（建议最佳行动方案）。
• 自然语言处理（NLP）获取洞察： AI允许用户使用自然语言查询数据并获得洞察，从而普及数据访问 。
• 实时数据分析： AI促进对来自生产线的流数据进行实时分析，从而能够对质量偏差或运营问题做出即时响应 。
• 传统挑战： 传统数据分析依赖手动操作和预定义报告，难以从复杂的制造数据中发现隐藏模式，并且在生成可操作洞察方面存在延迟。
• AI赋能方案：
• 制造业相关性： 驱动智能工厂计划，实现预测性维护（例如，通用电气、西门子 ），优化生产计划，通过缺陷根本原因分析提高产品质量，并增强供应链可见性。
• 智能工厂利用AI进行预测性维护、质量控制和流程优化，通过分析实时传感器数据来实现 。AI应用机器学习和NLP来验证、组织和保护财务数据，这一概念同样适用于制造数据以支持实时决策 。

2.6. AI增强数据服务能力与API管理

• 自动化API生命周期管理： AI可以辅助API生命周期的各个阶段，从设计、测试到部署和监控。
• 智能API安全： AI能够检测异常API使用模式，识别潜在安全威胁（例如，针对数据服务API的DDoS攻击），并动态调整节流和速率限制等安全策略 。有研究提到AI识别“潜在的分布式拒绝服务（DDoS）攻击并动态调整节流、速率限制和访问控制” 。
• 预测性API可扩展性： AI可以预测API使用趋势，帮助主动管理容量并确保数据服务的性能 。
• API自动化合规监控： AI可以监控API流量和数据交换，确保遵守数据治理政策、隐私法规和行业标准 。
• AI驱动的API故障排除： AI能够分析API日志和性能指标，快速识别和诊断问题，减少数据服务停机时间。
• 传统挑战： 手动API管理、难以确保API安全性和合规性、管理API可扩展性以及API相关问题排查缓慢是传统API管理的常见问题。
• AI赋能方案：
• 制造业相关性： 确保整个价值链（例如，通过API与供应商、合作伙伴）安全可靠的数据共享，支持数据驱动服务（例如，基于运营数据的设备即服务），以及管理互联工厂环境中日益增多的API。
• AI可以增强API生命周期管理、安全性（DDoS检测）、可扩展性（预测性流量管理）和合规性监控 。虽然范围更广，但增强的数据集成和更快的洞察通常由得到良好治理的API推动，这也与AI的能力相关 。

2.7. AI革新数据质量管理

• 案例： 美光公司使用AI对图像缺陷进行分类 。Talonic公司提供用于实时制造数据质量控制的AI解决方案 。《制造商》杂志的文章 讨论了为AI准备制造数据，强调了数据清洗和自动化检查。
• 自动化数据画像与质量问题发现： AI算法无需预定义规则即可自动分析数据特征，识别异常、不一致和错误 。AI在“自动化数据画像和自学习模型以减少人工干预”方面发挥着关键作用 。
• 智能数据清洗、标准化与验证： AI能够从数据中学习，自动清洗数据、统一格式（如地址、计量单位），并根据学习到的模式或定义的规则验证数据，纠正错误或标记以供审查 。相关研究提及“自动化数据清洗、标准化和验证”，其中AI算法“识别并纠正错误” 。
• 预测性数据质量： AI通过分析趋势和模式，能够在数据质量问题发生前进行预测，从而实现主动修复 。
• 自学习数据质量规则与异常检测： AI系统可以从数据本身推断数据质量规则，并随着数据的演变而调整这些规则。它们还能检测偏离正常模式的异常情况，指示潜在的质量问题 。有研究指出，“自学习模型能够适应不断变化的数据模式” 。
• 实时数据质量监控： AI支持对数据流进行持续监控，在数据采集或转换过程中实时标记质量问题 。
• 传统挑战： 传统数据质量管理依赖手动、基于规则的检查，这些检查通常是被动、耗时，并且难以应对现代数据的规模和复杂性；跨系统数据质量不一致也是常见问题 。
• AI赋能方案：
• 制造业相关性： 对于确保用于过程控制的传感器数据的准确性、用于预测性维护模型的数据的可靠性、用于缺陷检测系统（例如，使用计算机视觉 ）的数据质量以及遵守受监管制造行业（如汽车、航空航天、制药 ）的严格质量标准至关重要。
• 利用AI/ML进行数据质量自动化，与传统方法形成对比，并详细说明了AI增强功能，如异常检测和规则推断 。AI在自动化清洗、实时监控和数据质量预测分析中发挥着重要作用 。AI赋能的数据质量工具具备自动化画像和异常检测等能力 。

2.8. AI强化数据安全与合规

• 自动化威胁检测与异常检测： AI能够实时分析大量安全日志数据和网络流量，以检测基于规则的系统可能遗漏的异常行为、潜在入侵和内部威胁 。例如，AI可以标记“异常登录尝试或奇怪的数据访问模式” 。
• 智能数据分类保障安全： AI可以根据敏感性（如个人身份信息PII、商业机密）自动对数据进行分类，从而应用适当的安全控制和访问策略 。研究指出，AI可以“自动发现和分类敏感数据” 。
• 动态访问控制： 代理式AI可以监控用户行为和上下文，实时动态调整访问权限，从而增强超越静态基于角色的控制的安全性 。相关文献描述了“基于动态行为的访问控制” 。
• 自动化合规监控与报告： AI可以持续监控系统和流程是否遵守法规要求（如GDPR、CCPA、行业特定指令如制药行业的GxP），并自动化生成合规报告和审计跟踪 。例如，有研究讨论了AI在监控法规变化和自动化证据收集方面的作用 。
• 策略即代码（Policy-as-Code）执行： AI可以执行以代码形式定义的策略，确保在整个数据环境中一致应用 。
• AI赋能GRC（治理、风险与合规）： AI平台越来越多地用于提供GRC的整体视图，自动化风险评估、控制测试和合规管理 。例如SAP的业务流程AI 和Oracle的SCM AI代理 。罗克韦尔自动化与Circulor合作，利用可追溯解决方案实现电池制造合规性 。
• 传统挑战： 手动合规检查、难以跟上不断变化的法规、检测复杂安全威胁的挑战，以及在不同系统中确保一致的策略执行是传统数据安全与合规面临的主要问题。
• AI赋能方案：
• 制造业相关性： 确保遵守安全法规（OSHA）、环境标准（EPA）、质量认证（ISO）以及特定行业指令（如制药行业的FDA、航空航天行业的FAA）。保护敏感知识产权（设计、配方）和运营数据免受网络威胁。
• “代理式AI”通过自主异常检测、策略即代码和动态访问控制来确保合规性和安全性 。AI通过自动化分类和风险检测来揭示治理中的盲点并改进合规性 32。在工业环境中，AI可以监控法规变化并自动化证据收集 。

复杂的制造数据生态系统通常源于多种来源，包括运营技术（OT）、信息技术（IT）、结构化数据、非结构化数据、物联网（IoT）设备和遗留系统。传统方法在整合和理解这些数据方面面临巨大挑战。人工智能，特别是其在自动化数据映射 、语义建模 以及自动化元数据和血缘追踪方面的能力 ，充当了“意义构建引擎”。它不仅仅处理数据，更帮助定义数据的含义、上下文和关系，这是有效治理和价值提取的前提。观察可见，制造数据高度复杂且多样化 ，而AI提供了自动化映射、语义理解和元数据生成等工具 。这些AI能力直接应对了理解和组织复杂数据的挑战。

因此，AI不仅在自动化任务，还在为数据环境提供更高层次的抽象和理解。对于制造商而言，AI驱动的治理可以将混乱的数据沼泽转变为结构化、可导航的数据生态系统，从而支持更好的分析和决策，这已超越简单自动化，达到了基础数据理解的层面。许多在制造业中的AI应用专注于运营改进，例如预测性维护或质量控制 。这些运营AI系统的有效性严重依赖于高质量、得到良好治理的数据 。同时，AI本身也可用于治理这些数据 。这就形成了一种共生关系：用于治理的AI确保了运营AI所需的数据完整性，而运营AI又会产生更多需要被（可能也是由AI）治理的数据。

AI既用于制造运营（如预测性维护 ），也用于数据治理（如数据质量 ）。运营AI需要优质数据（正如“输入的是垃圾，输出的也是垃圾”所言 ），而AI治理则提供这些优质数据。由此形成一个反馈循环：更优质的治理数据改进运营AI，而运营AI产生的数据又需要治理。制造商不应将这些视为独立的AI计划。一个将运营AI与数据治理AI相结合的整体AI战略将产生最佳效果，创造一个持续改进的良性循环。

“策略即代码” 和用于治理的“代理式AI” 等概念的出现，标志着一个根本性的转变。传统治理往往是被动和手动的。“策略即代码”将治理规则直接嵌入数据管道和系统中，实现了自动化执行。

代理式AI更进一步，允许AI系统基于学习到的模式和预定义策略自主检测问题、做出决策，甚至进行自我修复。这将治理从以人为中心、周期性的审查过程，转变为嵌入数据生命周期中的持续、自动化且日益自主的功能。相关文献讨论了“策略即代码”  和“代理式AI” ，这些概念强调了AI的自动化和主动规则执行/决策能力。与此形成对比的是，传统治理通常是手动的和被动的 。

因此，AI正在推动治理向嵌入式、持续性和潜在自主性的转变。这对制造业具有深远影响，因为实时决策和过程控制至关重要。自主治理可以显著缩短对数据问题的响应时间，并确保持续合规，但也引发了关于监督和控制的问题（将在第四章讨论）。这也意味着治理团队需要新的技能组合（例如，理解代码、管理AI代理）。

在数据治理的多种AI应用中——元数据管理 、数据发现 、数据血缘 乃至语义理解的实现 ——AI赋能的数据目录都扮演着核心和基础的角色。它不仅仅是一个清单，更是一个活跃的中心，AI算法在此处理元数据、执行规则、追踪血缘并提供上下文理解。对于拥有复杂数据环境的制造业而言，智能数据目录成为“单一事实来源” ，使得所有其他AI驱动的治理功能得以有效运作。

AI赋能的数据目录在元数据、发现、血缘等方面被频繁提及 。这些功能对整体数据治理都至关重要。因此，数据目录并非众多工具之一，而是AI在数据治理领域的核心赋能平台。正如一些资料所述，数据目录是“合规中心”和“集中连接所有企业元数据”的方式 ，AI增强型目录“自动建议和填充元数据” 。

因此，投资于AI数据治理的制造企业应优先开发或采购一个强大的、AI增强的数据目录，作为其战略的基石。表1: AI在制造业数据治理中的应用案例

第三章：AI赋能与传统数据治理的比较分析（制造业视角）

本章将对传统数据治理方法与AI赋能的数据治理进行严格比较，特别关注其对制造企业的影响和益处。

3.1. 关键差异点：速度、规模、自动化、主动性与智能性

• 自动化： AI自动化了许多重复性和劳动密集型任务，如数据分类、质量监控、血缘追踪和异常检测 。自动化是AI带来的一个关键优势 。
• 学习与自适应： AI系统，特别是使用机器学习的系统，可以从数据中学习，适应新的模式，并推断规则，使治理更具动态性和响应性 。AI模型“能够适应不断变化的数据模式” 。
• 主动与预测： AI可以在潜在问题（例如，数据质量下降、安全威胁、合规差距）升级之前进行预测，从而采取预防措施 。例如，“自主异常检测和纠正” 。
• 集成与整体性： AI赋能的平台可以提供对各种数据治理方面更统一的视图和控制，打破孤岛 。Gartner强调关注结果以及适应性的、基于信任的管理 。
• 增强的可扩展性： AI天生更适合处理制造数据环境的海量数据集和复杂性 。AI能够“适应不断扩大的数据量，无需人工调整” 。
• 更深层次的智能与洞察： AI不仅实现自动化，还提供对数据本身的更深层次洞察（例如，隐藏的关系、语义含义），从而为更好的治理策略提供信息 。
• 手动流程： 严重依赖人工进行数据发现、质量检查、元数据标记和合规报告等任务 。这通常速度缓慢、易出错且耗费大量资源。
• 基于规则且静态： 通常基于预定义的静态规则，这些规则可能无法很好地适应不断变化的数据环境或制造业中常见的新数据类型（例如，新的传感器数据、非结构化日志）。
• 被动响应： 倾向于在问题发生后才进行处理（例如，在分析过程中发现数据质量问题，在审计中发现合规漏洞）。
• 孤立的工具与工作： 不同的治理方面（质量、安全、元数据）通常由不同的团队使用不同的工具进行管理，导致不一致 。
• 可扩展性有限： 难以应对现代制造环境中产生的数据的巨大体量、高速率和多样性 。
• 传统方法：
• AI赋能方法：
• AI数据治理与传统数据治理的直接对比显示，AI更侧重于应对“AI系统带来的独特挑战”（如算法透明度、偏见），并采用“更动态和敏捷的方法” 。AI治理更具适应性 68。传统的手动方法与AI代理形成对比，后者能够“自动化重复性任务，持续运行并按需扩展” 。

3.2. 对制造业数据治理有效性和业务成果的影响

• 影响： 更快地响应市场变化，缩短新产品或流程改进的开发周期。
• 影响： 提高审计准备程度，降低合规成本，增强品牌信任。罗克韦尔自动化与Circulor的合作旨在提高电池制造的透明度和合规性 。
• 影响： 降低运营成本，更快地从数据驱动的洞察和产品中获益。例如，宝洁公司通过自动化的主数据流程提高了生产力 。
• 影响： 减少废品和返工，降低产品召回率，提高运营AI系统的预测准确性。
• 提升数据质量与可靠性： AI带来更一致、更高质量的数据，这对于可靠的制造运营、准确的报告以及AI/ML模型在预测性维护和质量控制等领域的有效性能至关重要 。
• 增强运营效率： 治理任务的自动化将技术娴熟的人员解放出来，专注于更具战略性的工作。简化的数据流程减少了瓶颈和延迟 。
• 强化合规性与风险降低： AI持续监控合规性并检测异常的能力，帮助制造商满足严格的法规要求，并降低数据泄露、罚款和声誉损害的风险 。
• 提升敏捷性与创新能力： 获得良好治理的高质量数据，能够支持更快的决策制定，并促进产品开发和流程优化方面的创新 。
• Gartner指出，“到2027年……60%的组织将因数据治理框架不连贯而无法实现其AI用例的预期价值” ，这突显了业务影响。AI在推动“更好的决策制定、促进创新和加强合规性”方面的作用显著 。

表2: 传统与AI赋能的数据治理在制造业中的比较分析

人工智能并非要取代数据治理的基本原则（如问责制、数据管理、明确的政策），而是提供了一种更有效、更高效地实施和执行这些原则的手段，尤其是在处理制造业海量数据时 [2, 14, 35, 67]。传统治理往往难以持续应用政策；AI则可以使这种应用变得连续和广泛。

观察可见，AI自动化了许多治理任务（第二章），但基本的治理原则（角色、政策）仍然是必需的 。AI是一个在既定治理策略之上执行的技术层。因此，AI是治理的赋能者或加速器，而非其基础要素的替代品。制造商必须首先建立坚实的治理框架（愿景、角色、政策，如[2]所述），然后才能有效利用AI。若无此基础，仅部署AI工具很可能导致“AI放大不良治理”的后果 。

传统数据治理是在人类可处理的规模上运作的——手动检查、定期审查、范围有限。现代制造业的数据环境（物联网、实时数据流）则是在机器规模上运作，远远超出了人力监督的能力 [7, 8, 36]。AI使得治理能够在这种机器规模上进行，提供持续监控、实时异常检测和自动化响应，这些都是纯手动方法无法实现的。制造业数据量巨大且高速流动 [7, 8]，而传统治理方式手动且缓慢 [50]，两者在规模和速度上存在不匹配。AI能够处理海量数据集并实时操作 [13, 36, 52]。因此，AI对于数据治理跟上制造业的数据现实至关重要。这不仅关乎效率，更关乎可行性。没有AI，对现代制造数据的全面治理几乎是不可能的。

数据治理中一个常见的矛盾点是如何平衡用户的数据可访问性（民主化）与控制和安全的需求。传统控制可能具有限制性并减慢访问速度。AI可以实现更复杂、动态和精细的控制（例如，基于行为的AI驱动访问控制 [54]；自动化的敏感数据分类 [27]）。这使得组织能够在更有信心的情况下提供更广泛的数据访问（例如，通过AI驱动的数据目录 [27, 29]），因为治理政策正在被自动和智能地执行。

数据民主化是一个目标 [27] 提及AI增强的目录赋予非技术用户权力），而治理则意味着控制和限制 [1, 5]，这两者可能相互冲突。AI可以自动化分类、监控访问并动态执行策略 [27, 54]。因此，AI允许采用一种更细致的方法，在扩大访问范围的同时，使保障措施更智能、更具适应性，从而解决了访问与控制之间的传统冲突。制造工程师和分析师可以更快地获得所需数据，但这些都在AI强制执行的护栏之内。

图片

第四章：前沿挑战：AI赋能制造业数据治理当前未解问题与局限

本章将探讨制造企业在实施或依赖AI进行数据治理时面临的现有挑战和局限性，并将这些问题与制造业的特定背景联系起来。

4.1. AI训练数据中的质量与偏见问题

• 问题描述： “输入的是垃圾，输出的也是垃圾”原则至关重要 。用于治理的AI模型（例如，用于自动分类、异常检测的模型）的质量取决于其训练数据的质量。制造数据可能包含噪声、不完整，并可能带有历史偏见（例如，影响预测模型的带有偏见的维护日志，有偏差的生产数据）。如果AI治理工具使用有偏见的数据进行训练，它们将在其自身的输出和决策中延续甚至放大这些偏见 。
• 制造业特性： 制造业的遗留系统通常包含“脏”数据。传感器数据可能容易发生漂移或故障。生产过程可能存在固有的偏差，这些偏差会反映在数据中。
• 未解决方面： 虽然AI可用于偏见检测 ，但在复杂、高容量的制造数据流中稳健地识别和减轻所有形式的偏见，同时不牺牲模型性能，仍然是一个重大挑战。确保训练数据的公平性和代表性是一项持续的工作。
• 相关研究强调，“AI高度依赖数据，因此影响数据和分析的相同数据治理和隐私问题也会影响AI” 。并且，“如果AI使用反映过去人类或系统偏见的历史数据进行训练，它会放大现有偏见” 。不可靠、不完整或缺失的数据会降低AI算法的可信度 。数据质量和完整性是AI应用面临的首要挑战 。

• 4.2. 模型的透明度、可解释性（XAI）与信任问题
  • 问题描述： 许多先进的AI模型，特别是深度学习模型，如同“黑箱”般运作，使得人们难以理解它们是如何做出特定决策的 。这种缺乏透明度和可解释性的问题，是建立信任和推广应用的主要障碍，尤其是在决策可能产生重大安全、质量或财务影响的关键制造过程中。当AI本身成为治理机制的一部分时，这也给审计和法规遵从带来了挑战 。
  • 制造业特性： 如果AI系统标记了生产异常或拒绝访问关键数据，操作员和工程师需要理解其原因。在制药或航空航天等受监管行业，由AI做出或影响的决策必须是可审计和可辩解的。
  • 未解决方面： 虽然可解释性AI（XAI）是一个不断发展的领域，但为动态制造环境中使用的复杂AI模型开发真正有意义且可操作的解释技术仍是一个活跃的研究领域。在模型性能与可解释性之间取得平衡是一个关键的权衡。
  • 一些分析指出，“缺乏可解释性”是AI治理中的一个新风险 。许多AI模型“像‘黑箱’一样运作，这使得理解AI决策的制定过程变得困难” 。AI设计的“主观性”以及AI中“真理与准确性的挑战”影响了问责制 。

4.3. 复杂性、专业知识与集成挑战

• 问题描述： 实施和管理AI驱动的数据治理解决方案需要具备AI、机器学习、数据科学和数据治理原则方面的专业知识。许多组织存在严重的技能差距 。将AI工具与制造工厂中现有复杂且往往过时的IT/OT基础设施集成，在技术上可能具有挑战性，成本高昂且耗时 。
• 制造业特性： 制造业的OT环境具有独特的协议和系统，可能不易与标准的基于IT的AI平台集成。确保这些环境之间的数据流以用于治理目的非常复杂。
• 未解决方面： 开发真正“即插即用”或对制造环境专业知识要求最低的AI治理工具仍是一个目标。简化AI在异构制造数据环境中的集成仍然是一个障碍。
• “复杂性和专业知识”以及“与现有系统的集成”被认为是AI应用的主要挑战，分别有97%和93%的受访者认同这一点 。AI远非“即插即用”的解决方案 。AI技术的“复杂性”本身也是一个挑战 。

4.4. AI在治理中特有的安全风险与伦理考量

• 问题描述： 虽然AI可以增强安全性，但AI模型本身可能成为新攻击向量（例如，数据投毒、对抗性攻击）的目标，这可能危及治理过程本身。某些AI治理代理的自主性引发了问责问题，即如果它们做出错误决策，责任谁负 。伦理问题包括AI可能做出有偏见的治理决策（例如，不公平地限制某些用户组访问数据），或者AI持续监控用户数据交互所带来的隐私影响。
• 制造业特性： AI治理系统的受损可能导致敏感知识产权（产品设计、制造工艺）的未授权访问或质量控制数据的篡改。错误的AI驱动安全警报（或缺乏警报）可能导致严重后果。
• 未解决方面： 为治理中使用的AI模型开发针对复杂攻击的强大防御措施仍在进行中。为自主AI驱动的治理行为建立明确的伦理准则和问责框架仍在发展中。AI设计的“主观性” 意味着即使在治理AI中也可能编码人类偏见。
• 研究警示，“未经适当治理的数据和AI可能导致安全风险” 。联合国大学的文章深入探讨了“算法问题”，其中人类偏见影响AI设计，可能导致不公平或不透明的系统 73。传统的治理方法“不足以管理AI系统带来的风险” 。

4.5. 持续演变的监管格局与“黑箱”AI问题

• 问题描述： 全球范围内针对AI的监管框架仍处于初级阶段且在不断发展（例如，欧盟AI法案 ）。制造商在多司法管辖区运营，必须应对这些复杂且有时相互冲突的法规。某些AI模型的“黑箱”特性使得难以证明合规性或为AI驱动的治理决策提供可审计的解释，这日益成为监管机构关注的问题 。
• 制造业特性： 可追溯性和可审计性在许多制造行业（如汽车、航空航天、制药）至关重要。依赖不透明的AI进行治理决策可能会带来合规挑战。
• 未解决方面： 如何确保AI驱动的治理系统满足未来可能更严格的透明度和可审计性监管要求是一个关键问题。AI治理实践的标准化和认证机制仍处于早期阶段。
• 欧盟AI法案被认为是“世界上第一个关于AI的法律框架”，但“不太可能是最后一个” 。Gartner指出，随着AI在组织中的普及以及法规日益繁琐，透明度“更难实现” 4。ISACA强调，“黑箱”问题对问责制和遵守不断变化的法规构成了挑战 。

当人工智能被越来越多地用于治理数据（例如，用于保证质量、确保安全）时，执行这些治理任务的人工智能系统本身也需要被治理。这就产生了一个悖论：谁来治理人工智能的“治理者”？治理用AI存在的偏见问题（4.1节）、其决策过程缺乏透明度（4.2节）以及自身的安全漏洞（4.4节）意味着，仅仅部署AI进行治理是不够的。需要一个更高层次的“元治理”来确保AI治理工具本身的公平性、透明度、安全性，并符合伦理原则。

观察可见，AI被用于执行数据治理任务（第二章），但AI系统本身也存在偏见、不透明和安全风险等漏洞（4.1, 4.2, 4.4节）。如果用于治理的AI工具有缺陷，那么治理结果也会有缺陷。因此，需要对执行治理的AI系统进行治理，这是一个递归问题。这意味着制造企业不能简单地“设置并忘记”AI治理工具。它们需要健全的框架来验证、监控和审计这些AI系统，可能需要人工监督和新型的保障流程。这为AI的应用增加了另一层复杂性。

人工智能技术正以惊人的速度发展 ，新的模型和能力层出不穷。然而，数据治理框架、实践和监管环境的演变往往要慢得多 。这种“节奏失配”带来了一个持续的挑战，即治理难以跟上新技术（包括用于治理本身的技术）所带来的风险和复杂性。正如一些分析指出的，“人工智能发展的迅猛速度本身就给治理和安全带来了挑战” 。AI发展迅速 ，而治理框架和法规演变缓慢 ，这之间存在时间差。这种差距意味着组织往往在追赶，在没有完全理解或无法减轻所有相关治理风险的情况下实施AI。

因此，制造企业需要采用能够更快发展的适应性和敏捷治理方法 。当基础技术在数月内发生变化时，它们不能依赖静态的、多年的治理路线图。这也凸显了对新兴AI能力进行主动风险评估的必要性。所列举的未解决问题（AI的训练数据质量、可解释性AI、复杂性、AI的安全性、监管不确定性）并非孤立存在，它们相互关联，可能引发连锁故障或系统性风险。例如，质量差的训练数据（4.1节）可能导致有偏见的AI治理模型（4.4节），其不透明的决策（4.2节）难以进行合规审计（4.5节），而其复杂性（4.3节）又使其难以管理和保护。这种相互依赖性意味着一个领域的弱点可能会破坏整个AI赋能的治理结构。多个未解决的问题并存（4.1-4.5节）。这些问题相互作用，例如，有偏见的训练数据（4.1节）会影响模型的公平性（4.4节中的伦理风险）。缺乏可解释性AI（4.2节）使得难以检测这种偏见或证明合规性（4.5节）。

因此，这些问题并非独立的孤岛，而是构成了一个相互关联的挑战网络。正如一些研究所言，“未经适当治理的数据和AI可能导致安全风险，而未经适当保护的数据和AI可能导致合规和运营风险” 66，这暗示了其相互关联性。应对这些挑战需要一个整体和综合的方法。制造商不能孤立地解决它们。一个考虑到这些相互依赖性的全面战略对于构建有弹性且值得信赖的AI赋能数据治理至关重要。这也意味着一个领域的“失败成本”可能会在整个系统中被放大。

图片

第五章：制造业战略展望与建议

本结论部分将对AI在制造业数据治理中的应用前景进行展望，并为希望利用这些技术的企业提供可操作的建议。

5.1. 拥抱AI，实现面向未来的数据治理：一项战略要务

• 详细阐述： 发展趋势十分明确：AI将在数据治理中扮演越来越不可或缺的角色，从一种增强手段转变为管理现代制造业复杂数据生态系统的必需品 。AI在规模化自动化、预测和适应能力方面是传统方法无法比拟的。对于制造企业而言，面向未来意味着要主动将AI整合到其数据治理战略中，以释放运营效率、确保稳健合规、降低风险并推动创新。这不仅关乎采用新工具，更关乎将治理思维转变为更加数据驱动、敏捷和智能的模式。
• 正如相关分析指出的，“AI治理并非可有可无——它是我们未来一切工作的基础” 。Gartner强调，“数据治理必须在正确的时间为组织带来效益”，并且“适应性治理侧重于人与技术的结合效应” 。AI赋能的数据治理对于数字优先的组织而言是一项战略优势 。

5.2. 实施关键步骤与挑战克服

• 制定清晰愿景与商业案例： 将AI在数据治理方面的举措与特定的制造业业务目标（例如，提高质量合格率、降低合规成本、加速产品创新）相结合。定义可衡量的关键绩效指标（KPI）。Gartner建议“首先关注成果” 。
• 从小处着手，逐步扩展： 从针对具有明确数据治理需求的高影响领域（例如，特定产品线的主数据质量，针对新法规的合规性）的试点项目开始。从这些试点中学习经验，并推广成功案例 。有建议指出应“从小处着手，快速扩展” 43。
• 投资于数据质量和坚实的数据基础： 优先清理和准备数据，特别是用于训练AI治理模型的数据。建立健全的基础数据管理实践 14。强调“AI的质量取决于其学习的数据” 。
• 培养数据驱动文化并提升员工技能： 通过投资于数据素养、AI概念和新治理流程的培训来解决技能差距问题。促进IT、数据团队、领域专家（工程师、质量经理）和业务领导之间的协作 。普华永道的研究指出，对员工进行技能提升的公司生产力提高了15% 。
• 采用适应性治理框架： 实施灵活的治理框架（如Gartner 4 或NIST AI RMF 79 建议的框架），使其能够随着技术进步和业务需求的变化而发展。在适当情况下采用“策略即代码”和代理式AI方法 。
• 优先考虑透明度、可解释性和道德AI： 努力使用提供透明度的AI工具。实施偏见检测和缓解流程。为AI在治理中的使用建立明确的道德准则 。相关分析建议采取偏见审计和强制执行XAI等实际步骤 。
• 将治理融入工作流程（“隐形治理”）： 将AI驱动的治理检查和流程嵌入现有的制造工作流程和工具中，以最大限度地减少干扰并鼓励采用 58。Atlan建议让治理“在后台运行” 。
• 选择合适的技术合作伙伴和平台： 选择能够与现有制造技术栈（包括遗留系统）集成且可扩展的AI工具和平台 。
• 详细阐述：
• Varonis提供了一般性的数据治理最佳实践，如设定标准、考虑非托管数据和自动化 。Atlan提出的解决方案包括主动治理和使治理隐形化 。CSM Tech建议从小处着手，选择合适的工具，并让跨职能团队参与进来 。

5.3. AI在制造业数据治理的未来发展轨迹

• 治理的超自动化： 预计治理任务的自动化程度将进一步提高，AI代理将承担更复杂的决策制定和自我修复能力 。
• 预测性与规范性治理： AI将日益推动治理从被动响应转向预测性（预见问题）和规范性（推荐或自动化最佳治理行动）。
• AI驱动的数据经纬（Data Fabric/Mesh）架构： 智能元数据和AI驱动的治理将成为制造业数据经纬架构的关键推动因素，促进具有集中治理的分散式数据访问和共享 。Datahub Analytics预测智能元数据将成为这些架构的“连接组织” 。
• 更加关注AI伦理与可信AI： 随着AI在治理中作用的增强，对确保所有AI驱动的治理决策中的道德AI实践、公平性、问责制和透明度的重视也将随之增加 。
• AI、数据治理与网络安全的融合： 这些领域将更加紧密地结合，AI将在所有三个领域发挥关键作用，以在日益复杂的制造环境中保护和管理数据资产。
• 生成式AI的角色： 生成式AI可能会在自动化策略生成、合规文档编制以及为治理查询提供自然语言界面等任务中发挥更大作用 。
• 详细阐述：
• 未来的趋势包括预测性元数据及其在数据经纬架构中的作用 。未来AI将治理AI，治理将嵌入流程并与业务影响挂钩 。在AI和快速变化数据的时代，“久经考验的方法……已不再适用” 。

尽管AI承诺了广泛的自动化 ，但制造业数据治理的关键性（影响质量、安全、知识产权）以及AI当前的局限性（偏见、不透明性 - 见第四章）意味着人工监督仍然至关重要。然而，角色将从任务的直接执行者（“人在回路中”）转变为监督、验证和完善AI驱动的治理流程（“人在回路上”），并最终治理AI系统本身。这要求治理专业人员具备更高水平的战略思维和AI素养。AI自动化了许多治理任务（第二章），但AI也存在偏见和不透明等局限性（第四章）。在治理中完全依赖AI自主决策风险较高，尤其是在制造业。一些分析指出，AI代理可以自主决策，但法规仍强调“人在回路中” 。

因此，人类仍然是必要的，但其角色将从执行者转变为监督者和战略制定者。这意味着制造企业需要为这种角色和技能的演变做好规划。培训不仅应侧重于使用AI工具，还应侧重于批判性评估其输出、管理AI风险以及设计符合道德的AI治理框架。随着制造业日益数据驱动（工业4.0），快速、可靠且合规地利用数据的能力成为关键的竞争优势。那些掌握了AI赋能数据治理的企业将能够更快地创新，更有效地提高运营效率，确保更高的产品质量，并与客户和监管机构建立更大的信任 。它已从单纯的运营必需品转变为实现业务目标的战略推动者。AI可以提高效率、质量和合规性（3.2节），这些都是制造业的关键竞争因素。有效的AI驱动数据治理是这些改进的基础。

因此，在AI驱动数据治理方面表现出色的公司将超越那些落后的竞争对手。正如相关研究所言，“正确的治理不仅是必要的，更是一种竞争优势” 。因此，对AI数据治理的投资不应仅仅被视为节约成本或降低风险的措施，而应被视为对制造企业竞争地位的战略投资。众多AI在制造业运营中的案例和实例（预测性维护、质量控制、供应链优化  等）都或明或暗地依赖于对大量高质量、易于理解的数据的访问。没有健全的AI赋能数据治理来确保这一数据基础，这些运营AI系统的投资回报率和可靠性将受到严重影响。因此，一个整体的AI战略必须将运营AI和治理AI视为同一枚硬币的两面。许多制造业的AI用例是运营性的（例如 10），而所有AI都需要优质数据 。用于数据治理的AI则提供这种优质数据（第二章）。

因此，运营AI的成功直接取决于AI在数据治理方面的成功。制造企业领导者应避免孤立地资助AI项目。对运营AI的投资必须伴随着对AI驱动数据治理能力的相应投资，以确保可持续成功，并降低“AI放大不良治理”的风险 。Forrester也强调将数据和AI视为核心产品，并进行稳健治理 。

附录：制造业AI数据治理应用案例简述

本部分将基于研究提供简明的案例，说明AI在制造业数据治理中的实际应用。

• 案例1：宝洁公司（P&G）的AI增强主数据管理
  • 挑战： 在48个SAP实例中管理复杂的主数据，导致错误核对耗时且缺乏中央控制 。
  • AI赋能方案： 部署了数据质量软件（隐含AI增强以实现规模化和智能化），以改进对主数据的控制。自动化了数据集成和差异解决流程 。
  • 治理影响： 提高了数据专员的工作效率，减少了手动错误，最大限度地减少了数据泄露和重复，从而降低了合规和财务风险。管理层能够及时通过仪表板获取健康报告和绩效指标 。
  • 相关性： 展示了AI在提高主数据质量和一致性方面的作用，这是制造企业ERP系统至关重要的核心治理功能。
• 案例2：西门子/通用电气（GE）的AI预测性维护数据治理
  • 挑战： 确保用于AI驱动的预测性维护模型的高质量、可靠的传感器数据，以减少计划外停机时间 。
  • AI赋能方案（推断的治理方面）： AI算法不仅预测故障，还可用于验证传入传感器数据的质量，检测可能指示传感器故障的数据流异常，并确保模型训练的数据一致性（关联AI用于数据质量，第2.7节）。西门子利用AI帮助工人从10,000台机器的数据中检测机器故障 。通用电气利用AI处理传感器数据，使用机器学习检测模式和异常 。
  • 治理影响： 增强了对预测性维护洞察的信任度，提高了模型准确性，为维护决策提供了可审计的数据轨迹。
  • 相关性： 突显了运营AI（预测性维护）依赖于（并可由）数据治理AI（传感器数据质量保证）支持的共生关系。
• 案例3：宝马/美光科技（Micron）的AI质量控制数据治理
  • 挑战： 管理和确保用于AI驱动的缺陷检测系统的大量视觉数据的质量 。宝马使用基于AI的视觉系统 。美光科技从8000多个来源收集PB级数据 。
  • AI赋能方案（推断的治理方面）： AI驱动的数据目录可以帮助管理和分类这些大型图像/视频数据集。AI可以自动化缺陷类型、传感器位置和生产批次的元数据标记。AI驱动的数据质量规则可以确保用于训练视觉模型的图像分辨率或照明条件的一致性（关联AI用于元数据和质量，第2.3、2.7节）。美光科技使用AI对数百万个缺陷进行分类和归类。
  • 治理影响： 提高了质量问题的可追溯性，为AI视觉系统提供了更好的训练数据集，确保了质量标准的一致应用。
  • 相关性： 展示了AI如何治理为大批量制造业中AI驱动的质量控制系统提供数据。
• 案例4：罗克韦尔自动化与Circulor在电池制造中的AI合规与可追溯性
  • 挑战： 满足新的法规要求，如欧盟电池法规，要求关键矿物的可追溯性和数字电池护照 。
  • AI赋能方案： Acculon Energy将Circulor的可追溯性解决方案与罗克韦尔的数字化转型专业知识相结合，以跟踪材料来源、旅程和内含碳排放。这支持了数字电池护照的创建 。虽然新闻稿中没有明确说明Circulor解决方案本身是否使用AI，但供应链中数据的规模和模式检测的需求通常意味着此类可追溯性平台会涉及AI/ML。罗克韦尔更广泛的AI解决方案（用于MES和缺陷检测） 表明其拥有一个AI友好的生态系统。
  • 治理影响： 实现对复杂法规的遵守，提供供应链透明度，并支持负责任的采购。
  • 相关性： 说明了（AI支持的）可追溯性解决方案如何在监管严格的新兴制造业中成为数据治理合规的关键。

表3: 制造业AI数据治理应用案例简述汇总