在数据爆炸式增长的时代，传统的数据建模方式已难以满足企业对敏捷性、智能化、自动化的需求。数语科技联合腾讯云推出的 Datablau DDM 数据建模平台（AI智能版），基于AI语义建模技术，深度融合腾讯混元大模型能力，重新定义数据建模流程，让企业数据治理更高效、更智能。Datablau DDM（AI智能版）现已在腾讯云应用市场上架，并入选AI精选软件推荐。从传统到智能：AI让数据建模更easyDatablau DDM（AI智能版）延续原版全链路数据建模能力的同时，通过AI增强实现三大升级：一、智能语义分析：从数据到业务的自动映射Datablau DDM （AI智能版）基于AI算法，对接混元大模型能力，可以自动识别并理解数据中的语义关系。并通过学习企业内部的数据字典、业务术语及关联规则，在数据建模过程中自动推测出各数据元素之间的关联性，快速生成符合业务需求的数据模型。二、自动化建模：自然语言驱动，一键生成数据模型Datablau DDM 数据建模平台（AI智能版）可根据自然语言描述的业务需求和业务规则描述，一键将数据模型中的实体导入到DDM工具中，自动生成模型的实体关系图，并支持手动调整。相比传统手动建模方式，自动化数据建模效率可提升70%，大幅降低数据团队的工作负担，同时业务人员也能参与数据设计。三、大模型持续优化：让数据模型越用越智能Datablau DDM 语义建模可实现在通用语义理解基础上，结合企业私有知识库，使模型更贴合行业特性和企业需求。同时，随着数据模型的不断使用，系统可自动优化推荐策略，使得生成的数据模型更加精准。点击 了解详情 获取Datablau DDM（AI智能版) 详情介绍，企业用户可平滑切换至AI智能版，立即体验智能数据建模，让数据治理进入AI时代！作为腾讯云重要的生态合作伙伴，数语科技将始终以自主创新为发展驱动力，持续推动行业标准升级。基于腾讯云强大的技术支撑体系，双方将进一步加强在数据智能领域的生态合作，携手为更多的企业客户提供高效敏捷的数据智能解决方案，全面赋能企业数字化转型进程。

各位数据先锋们：2025年数据治理与数据建模Workshop重磅回归！今年我们将开启全国巡回之旅，首站将于4月19日-20日在北京正式开启。后续还将登陆多个城市，敬请期待！今年课程三大颠覆性升级：1、大模型×数据治理深度耦合：覆盖 RAG + 大模型 + 传统数据治理的全栈方案，直达最前沿落地场景；2、深度解构DAMA车轮图：逐模块拆解数据治理实施要点与典型案例分享，构建完整知识体系；3、沉浸式实战训练营：从需求分析到方案落地全流程，手把手教你将理论知识转化为实战技能。 您将获得其他课程给不了的3大超能力：从0到1搭建企业级数据治理体系——掌握完整数据治理框架与落地方法论AI大模型重塑数据治理流程——掌握AI大模型时代数据治理关键能力真实场景深度演练——掌握业务对象识别、AP/TP建模等关键技能特色环节设计：✓ 互动研讨：与行业专家及同行破冰对话交流✓ 个性化答疑：针对具体工作遇到痛点难点提供专业指导我们课程不是纸上谈兵，而是源于多年项目实践的总结，学完就能用，效果立竿见影！（点击文章下方查看往期学员反馈）本期活动详情见下方海报，扫海报二维码报名，团购立减500元，即报即用！适用人群数据架构、数据建模、数据管理、数据工程等从业者，学习充电；产品经理、项目经理、业务负责人等从业者，转型期或职能融合快速get数据管理知识；从事与数据管理相关岗位的经验较少的新人，对数据管理实际场景深入了解。！！！重要提示报名成功后，请添加小助理发送付款截图，小助理将会为您发送具体的活动安排，同时，如有时间或地点变动随时通知。温馨提示：如果您有团购需求，或者在线支付遇到任何问题，都可以联系小助理哦~

Datamodeling社区重磅推出的DMC数据建模认证课程，自上线以来已收获业界广泛好评。无论您是数据建模领域的新人，还是寻求突破的建模从业人士，DMC认证都将成为您职业发展的强力助推器。立即报名，解锁您的专业竞争力！认证级别与适用人群DMC认证体系目前设有两个等级的认证，分别面向不同水平的数据建模从业者：■ DMCA数据建模初级认证适用人群：数据建模领域的入门者，主要考核数据建模的基础理论、基本工具使用及简单的建模实践能力。■ DMCP数据建模中级认证适用人群：有一定数据库设计、数据模型设计的相关从业者，期望再深度提升建模技能，提高职场竞争力；或对数据建模非常感兴趣且有一定的基础，期望转行成为专业数据建模师，以此来提升就业竞争力。报名及考试须知为了帮助更多小伙伴真正地掌握数据建模的知识和技能，DMC认证体系采用先学习，再考试的形式。初级与中级分别独立，您可以根据您的实际情况选择适合的等级报名。一、报名时间：即日起至2025年12月31日DMCA认证考试时间：随学随考，80分为通过认证。DMCP认证考试时间：初试随学随考，60分及以上可参加复试；每月15号安排复试，60分及以上为通过认证。二、报名费用： DMCA课程+认证 29.9元                      DMCP课程+认证  399元三、报名方式：扫下方海报二维码报名，支付完成后视为报名成功，报名成功概不退款。*报名成功后请添加小助理（微信号：datamodeling），领取考试指南和帮助文档。需要补考的伙伴也请联系小助理，确认补考信息。★ 常见问题Q1：为什么要进行实名认证？身份信息关联报名、考试、认证的全部流程，证书与身份证号绑定，若身份证号有误，将会影响查询。Q2：之前在其他平台报名的课程是否还可以学习？可以的，由于不可抗力因素，课程已转到网易云课堂，之前在其他平台报名的课程可以继续学习不受影响。Q3：是否可以补考？考试不通过退款吗？报名后第一次考试不通过，可以联系社区小助理免费下一期进行补考，只可补考一次；如DMCP初试专业理论通过，补考只需复试。如补考也未通过，不支持退款，如想继续认证请重新报名考试。Q4：考试是什么形式？线上还是线下?理论考试和实践考试均为线上考试，具体请查看考试指南或咨询小助理。Q5：是否可以开发票？可以开发票，认证结束后请联系小助理开出，开票明细为咨询、服务类，如对发票明细有其他要求请在报名前咨询小助理。Q6：已经报名，但是考试时间与工作安排有冲突，是否可以改期或者退款？支持改期，不支持退款。Q7：考试通过，是否有纸质证书？考试通过后可以获得电子证书，请登录社区官网（datamodeling.cn），填写个人信息，进行下载打印。

在今天的智能化浪潮中，大模型与数据治理正成为推动企业智能化升级的“双引擎”。一方面，大模型以其强大的语义理解与生成能力，为数据治理提供了全新的技术路径；另一方面，数据治理体系的完善又为大模型应用奠定了高质量的数据基础。二者的深度融合，不仅破解了传统数据治理的痛点，更开启了企业数据资产价值释放的新篇章。大模型的发展现状与未来趋势从技术突破到产业落地近年来，大模型技术以惊人的速度重塑人工智能领域。以ChatGPT、Deepseek为代表的通用大模型，展现了跨任务、跨领域的通用智能能力；而聚焦垂直行业的Claude等模型，则通过领域知识增强实现了专业场景的深度适配。据权威机构预测，到2025年底，全球90%的企业将部署大模型应用，推动其在数据分析、客户服务、研发创新等领域的规模化落地。然而，大模型的广泛应用也面临两大挑战：1.幻觉问题：模型生成内容的不可控性，可能导致错误信息传播；这对于企业级应用是个严重问题，需要大幅提升准确率（>95%），才可以在企业的关键场景落地。2.数据依赖：大模型应用依赖企业治理好的数据，输出质量也高度依赖数据的完整性与准确性；大部分企业需要边做大模型，边做数据治理。这些痛点的解决，恰恰需要数据治理体系的深度介入——通过构建“高质量数据+领域知识增强”的闭环，为大模型提供可信的“知识底座”。数据治理赋能大模型以数据治理破解幻觉难题在企业的大模型实践中，检索增强生成（Retrieval-Augmented Generation, RAG） 已成为平衡大模型能力与数据可控性的关键技术。通过将大模型与企业的结构化数据、知识库、业务规则相结合，RAG能够显著降低幻觉风险，提升生成内容的准确性与可解释性。而这一过程的核心支撑，正是企业级数据治理能力的深度整合。通用数据库NL2SQL实践案例：在与某大型金融机构的数据开发场景的共研中，我们通过以下三步实现数据库查询的优化：1.RAG优化：目前市场上的NL2SQL项目，主要基于SQL训练以及反馈，来优化SQL的准确性，对于数据库只使用Schema范式输入，我们认为这是非常不足的。基于数据建模工具DDM，我们开发了智能建模套件，整合了数据库的实体元数据，实体关系，数据标准，指标标准等，整合数据模型，元数据和数据资产，生成完整的带有业务与数据上下文的数据库文档。实际测试中可以完成基于数据标准，码表，指标的自然语言查询，查询准确率提高了10%左右。2.算法优化：通过实体关系和数据血缘分析，提高复杂SQL查询的准确率。目前市场的大模型开发平台如Dify，RAG系统的查询主要是基于语义空间的向量查询，这对于复杂的数据模型来说，是有遗漏的。因此我们特别优化了语义的选择，能够完成多表连接，间接表连接等复杂SQL，实际测试中可以完成大模型容易幻觉的少量场景，查询准确率提高了10%左右。3.提示词优化：用户提供的需求，我们需要附加提示词，让大模型基于模型与需求，进行扩展和联想，从而给出更精准的SQL语句。根据我们的实际，提示词主要优化在需求完善，查询计划编制，防SQL漏写和表连接错误上。同时，通过将用户对生成结果的评价反馈至数据治理系统，持续优化知识库的覆盖范围与更新该方案，使自然语言查询准确率提升到95%左右，基本达到了企业应用的人手写的准确率程度。通过项目实践，我们用数据治理的方法论，通过对面向大模型应用的数据治理，完成了AI赋能业务的能力。也充分证明了数据治理不是大模型的“旁观者”，而是确保其可靠落地的“基石”。大模型驱动数据治理升级从被动管理到主动增值大模型的应用需求的迅速发展，正在倒逼企业数据治理体系向更高维度进化。传统的数据治理往往聚焦于“合规性”与“可用性”，而大模型时代的数据治理更需要关注“知识化”与“场景化”。关于智能化数据治理，我们的实践从三个方向实现突破：1.元数据治理智能化通过大模型自动解析数据表注释、API文档等非结构化内容，生成标准化的元数据描述，然后用一定人力进行确认。这解决人工维护成本高、更新滞后的问题，同时人工确认投入是必须的步骤，解决大模型的预料信任问题。2.数据关系与血缘追踪利用脚本解析能力和大模型的因果推理能力，自动识别数据加工链路中的关联关系。数据的知识图谱是大模型进行数据连接和查询的必备基础。有条件的企业建议用数据模型工具，对重要数据进行基础模型梳理，让数据层可以很好的连接业务语义，供给大模型进行消费。3.数据资产与分类分级基于大模型分析数据表的查询访问、关联应用、数据分类等智能技术，构建数据资产目录。我们已经建立基于LLM的数据资产梳理任务，对数据资产的智能分类，准确率有不小的提升。我们正在研发智能化的数据治理平台3.0，让大模型将数据治理从“成本中心”转化为“价值中心”——通过主动识别高潜力数据资产、深度面向大模型消费的数据治理方向，推动数据管理向以大模型知识运用的业务价值对齐。双向奔赴开启数据智能新纪元面对大模型带来的机遇与挑战，数据治理团队需要坚定两个认知：一是要破解焦虑，坚定方向：大模型不是数据治理的替代者，而是放大其价值的“倍增器”，缺乏治理的大模型如同没有好路的跑车，任其技术先进，也在泥泞的路上艰难前行；我们要进行数据生态共建，建设面向LLM的企业级数据治理平台，让企业都能从大模型中受益，可以从数据治理中看到价值。二是主动进化，做大做强：通过构建“治理-模型-应用”的飞轮效应，让数据治理体系成为企业智能化的核心基础设施。开发数据治理与大模型的联合优化框架，实现知识抽取、质量评估、隐私保护的端到端自动化；降低数据治理的成本，提高企业数据的AI可用度和实践效果。在这场双向赋能的智能进化中，数据治理这个老话题需要新的打开方式，同时也让数据从未如此重要，也从未如此充满想象力。我们坚信，当严谨的数据治理遇见灵动的大模型，必将催生一个更加智慧、可靠、可持续的数字未来。

在人工智能和大数据技术的快速发展下，企业正面临着从数据驱动到知识驱动的转型。RAG（Retrieval-Augmented Generation，检索增强生成）技术作为一种结合了信息检索和生成模型的先进技术，正在成为推动企业智能化转型的重要工具。知识库是企业知识管理和应用的核心平台，通过RAG技术，企业可以动态检索和应用这些知识，显著提升大模型的精确性和专业性，帮助企业更高效地利用内部和外部的知识资源。而数据治理在知识库的构建和管理中扮演着关键角色，通过系统化的治理工作，确保数据质量、安全性、一致性和可用性。两者的结合，为企业提供了更高效、更智能的知识检索和应用能力。RAG：知识管理领域的重要突破RAG技术通过结合信息检索和生成模型，实现了对私域知识的深度挖掘和智能应用。RAG能够实时捕捉新知识，自动更新知识库内容，并通过自然语言处理技术，实现知识的智能检索和生成。它为知识管理带来了以下优势：· 精准知识检索: 利用语义理解和上下文分析，快速定位用户所需的知识点，提高检索效率和准确性。· 自动化知识生成: 根据用户需求，自动生成报告、摘要、FAQ等知识内容，降低人工成本，提高知识产出效率。· 个性化知识推荐: 基于用户画像和行为数据，推荐相关知识和资源，提升用户体验和知识获取效率。· 智能问答系统: 构建智能客服、虚拟助手等应用，为用户提供实时、准确的知识服务。RAG可读取的数据类型RAG技术能够处理多种类型的数据，包括：1.非结构化数据：最常见的类型，包括文本（如百科类知识、领域知识库、论文等）以及图片、视频、音频等多模态数据。2.半结构化数据：包含文字与表格的混合内容，例如带有标签的文档或部分结构化的报告。3.结构化数据：以知识图谱为主，利用企业已经整理和提炼的存量数据，提供更精确的信息。通过向量数据库等技术，RAG能够将以上各种类型的数据转化为统一的数值向量表达形式，便于在企业内部知识库中进行检索和分析。RAG的优势1.解决敏感数据的使用问题企业的一些敏感数据（如商业秘密、客户信息等）不便于直接用于模型训练，但可以通过RAG技术在应用中使用。这种方式避免将这些数据用于微调模型所带来的高成本和权责边界模糊的问题。2.降低训练成本和更新滞后问题RAG技术通过动态检索的方式，能够实时结合最新的企业数据，避免了重新训练模型的麻烦。3.保持大模型与数据的权责分离RAG技术使得大模型提供方和企业之间的权责边界更加清晰。企业可以保留对数据的控制权，而模型提供方只需提供基础的大模型能力。数据治理+RAG提升知识检索和应用能力数据治理为知识的生成、管理和应用提供坚实的基础。下面我们来探讨一下数据治理与RAG技术是如何结合的：1.数据上下文补全通过数据治理确保RAG技术能够动态检索知识库中的数据，为大模型提供更完整的上下文信息，并通过数据标准化和整合，消除数据孤岛，确保上下文信息的全面性和一致性，从而提升大模型的输出质量。2.数据整合与关联知识库需要整合来自不同来源的数据，并建立数据之间的关联关系。通过数据模型的管控，确保数据关联关系和外键的准确性和完整性，为RAG技术提供清晰的逻辑结构；并通过数据血缘分析，追踪数据的来源和流向，确保关联关系的可追溯性。3.元数据管理元数据是描述数据的数据，如数据表的中文名、字段含义、数据来源等。通过对元数据管理，确保表中文名和字段中文名的准确性和一致性，便于用户理解和使用数据。同时，元数据的版本控制和更新机制，可以确保元数据的时效性，为RAG技术提供最新的数据描述信息。4.业务域为导向以业务域为导向的知识库能够更好地满足具体业务需求。通过企业的业务领域（如财务、人力资源、供应链等）划分数据，确保知识库的结构与业务需求相匹配；并通过业务键（如订单号、客户ID等）唯一标识业务实体，确保知识的准确性和一致性；同时通过定义和管理业务规则，确保知识库中的知识符合业务逻辑。5.数据安全管理知识库中的知识往往涉及企业的核心业务数据和商业秘密，企业需要建立完善的数据治理体系，在确保知识库的安全性和合规性的同时平衡知识的开放性和保密性。通过权限管理，确保只有授权用户能够访问和操作知识库中的数据，并对敏感数据进行加密存储和传输，防止数据泄露。同时，记录数据访问和操作日志，可以及时发现和处理安全风险。总结RAG技术与数据治理的结合，为知识治理与服务的智能化提供了新的可能性。通过数据治理，企业可以确保数据的质量、安全性和可用性，为RAG技术的应用提供坚实的基础。而RAG技术则通过动态检索企业内部的专有知识，为大模型提供更精确、专业的支持，同时避免了敏感数据用于模型训练所带来的成本和权责问题。在未来，数据治理与RAG技术的深度融合将进一步推动知识治理与服务的发展，帮助企业在激烈的竞争中脱颖而出，引领行业的创新与变革。参考文章：《治理之智 | 检索增强：解决企业“上云用模”的数据安全隐忧》;文章图片来源于网络，如有侵权，联系小编删除

数据血缘描述了数据从源头到目的地的流动和转换过程，尽管各类业务利益相关者对数据血缘的期望和需求各不相同，但对其核心认知是一致的。本文将深入探讨数据血缘的不同类型及其依赖关系，帮助大家更好地理解这一复杂但关键的主题。一、数据血缘类型的全貌主题：数据血缘可以分为元数据血缘和数据值血缘。元数据血缘关注数据的处理和转换文档，而数据值血缘则侧重于数据实例层的转换和跟踪。层次：数据血缘可以在四个层次上记录：业务层、概念层、逻辑层和物理层。不同层次使用不同的元数据来描述数据血缘。方向：根据数据血缘的方向，可以分为横向数据血缘和纵向数据血缘。横向血缘展示数据从起点到终点的流动，而纵向血缘则连接不同层次的数据组件。方法：数据血缘的记录方法分为描述型和自动型。描述型血缘通过手工记录元数据，而自动型血缘则通过自动化工具采集和记录元数据。数据血缘分类概念图1、元数据血缘和数据值血缘数据血缘的主题可以分为元数据血缘和数据值血缘，不同的利益相关者对每种血缘类型的关注点也不一样。元数据血缘数据管理和IT专业人员通常将数据血缘理解为由元数据进行的数据处理和转换文档。元数据血缘可以在任何抽象层记录描述，不同层次使用不同的元数据。数据值血缘业务利益相关者更加关注数据实例层的转换，希望看到整个数据链中跟踪数据值的变化。例如，如果管理报告中总收入为100万欧元，他们希望将它追溯到单个合同金额以及了解从合同金额到100万欧元间的转换规则。这种需求被称为“数据值血缘”，通常只在物理层记录。因此，在与不同利益相关者群体进行沟通时，应该考虑到元数据血缘和数据值血缘间的差异。2、不同记录层的数据血缘数据血缘的记录层次包括业务层、概念层、逻辑层和物理层。详情可点击《数据血缘元模型：架起业务与技术的桥梁》这篇文章查看。此外，还想强调以下两点：· 不同企业采用不同数量的层级和组件来描述数据血缘，且对这些层级的命名和定义也各有差异。· 根据我的实践经验总结，建议分类是基于通用实践的，每家企业应根据自身需求选择适合的分类方式。3、横向和纵向数据血缘数据血缘记录的方向分为横向和纵向数据血缘，如下图。自由格式的数据血缘元模型横向数据血缘是最常见的数据血缘类型，描述了数据链上两个位置之间数据路径的数据血缘，展示数据从创建点到应用点的流动。可以在业务层、概念层、逻辑层和物理层上记录横向数据血缘。纵向数据血缘是链接不同层级中组件的数据血缘。例如业务主题域、数据实体、数据属性以及数据库表和列之间的关系。4、描述型和自动型数据血缘数据血缘的分类依据之一是记录方法，这是第四个关键因素。记录方法主要分为描述型和自动型两种。描述型数据血缘：指将元数据数据血缘手工记录到数据存储库中。自动型数据血缘：将通过实施自动扫描并采集元数据的过程，并将元数据数据血缘记录到存储库中。这两种方法各有其适用的场景，同时也具备各自的优点和局限性。可从以下几个方面来选择数据血缘的记录方法：1）数据模型层描述型数据血缘适合在业务层、概念层和逻辑层记录元数据血缘，但在物理层手工记录数据血缘是非常困难的。以我的实践经验为例，整理包含数千行数据的Excel文件可能需要耗费数百个工时，效率极低。相比之下，自动型数据血缘更适用于采集物理层的数据血缘信息。但需要注意的是，从逻辑层到物理层的数据血缘映射，通常仍需通过手工方式完成，以确保准确性和一致性。2）所需资源无论是创建还是维护阶段，数据血缘的记录都是一项时间和资源密集型的工作。我们需要持续关注数据血缘的变化，并及时调整。自动型数据血缘在初始阶段，创建读取和上传元数据的自动化流程需要大量资源；之后，随着新版本的发布，数据血缘信息应能自动更新；然而，如果涉及新应用程序，则需要手工编码来完成。描述型数据血缘，在设计和维护阶段需要持续投入资源。二、数据血缘间的相互依赖之所以想分享下各种数据血缘之间的依赖，是因为在实践中，我经常遇到有关沟通数据血缘的挑战。比如：元数据架构师说：“我们要开发一个横向数据血缘的未来态架构(FSA)。”我的第一反应是：”在哪个层上？横向数据血缘可以在四个层级上记录。”很明显，元数据架构师说的是物理层元数据血缘，只是将其简称为横向数据血缘。我们先来分析这些数据血缘间可能的组合和依赖，如下：数据血缘的主题与其他数据血缘分类之间的依赖关系· 数据血缘的主题和数据血缘的记录层级元数据血缘可在被记录在每个抽象层级上，记录的元数据组件和元素会有所差异。无论何种情况，元数据血缘都用于描述数据流和数据转换的过程。而数据值血缘仅能在物理层记录，本文仅针对物理层中存在的数据实例进行讨论。· 数据血缘的主题和数据血缘的记录方向元数据血缘可从两个方向进行记录：横向数据血缘展示数据沿数据链的流动路径，而纵向数据血缘则连接不同抽象层级的元数据组件。数据值血缘仅能记录在横向数据血缘中，因为数据实例仅存在于物理层。· 数据血缘的主题和数据血缘的记录方法元数据血缘的记录可采用描述型和自动型方法，而数据值血缘由于仅存在于物理层，因此更适合通过自动型方法进行记录。数据血缘的记录方法和记录层级之间的依赖关系· 数据血缘的记录方法和数据血缘的记录层级记录数据血缘的描述性方法适用于所有层级。在实践中，我曾见过使用Excel或Word文件记录物理层数据血缘的情况，但这是一种最不推荐的方式。描述性方法更适合用于记录业务层和概念层的数据血缘，因为这些层级缺乏自动记录的方法。对于物理层，强烈建议仅采用自动型数据血缘记录方法。逻辑层则是一个分区：逻辑模型既可以通过逆向工程从物理模型中生成，也可以在数据建模工具中手动创建。综上所述，数据血缘作为数据管理中的核心概念，其复杂性和多样性要求我们在实际应用中采取灵活且系统化的方法。通过深入理解数据血缘的四大因素——主题、层次、方向和方法，希望大家能够更好地满足不同利益相关者的需求，并有效应对数据管理中的挑战。无论是元数据血缘还是数据值血缘，无论是横向还是纵向数据血缘，亦或是描述型与自动型记录方法，每种类型都有其独特的应用场景和优势。在实际操作中，企业应根据自身的业务需求和技术架构，选择合适的数据血缘记录方式，并确保其与整体数据治理策略保持一致。同时，随着数据环境的不断变化，数据血缘的记录和维护也需要持续投入资源和精力，以确保其准确性和时效性。