top of page

數據中台服務對象廣泛

Updated: Apr 28

簡單地看,數據中台有點像一條生產流水線,從原始數據收集,到提煉成穩定的生產材料。在這過程中,需要有一套生產管理流程體系,用以保證數據品質、時效性、一致性等關鍵點。數據中台隨着數據生命周期的各階段(產生、存儲、增強、使用、傳輸、共用共創、更新、銷毀等)而建立,服務的對象可以是IT研發者、數據科學專家、產品經理、分析師、決策管理者等。

不過,上述比喻其實不無漏洞,起碼忽略了3點:一、數據可被無限次使用所衍生的迴圈;二、把多源異構的數據組合起來(有人叫作Stitch)的難度及品質問題;三、當業務發生變化時,平台的柔性適應力。

加快生產 減重複性

為了促進中台效率,阿里巴巴內部建立了數據公共層,首先是對於線上及離線的數據按交叉使用量、緊缺風險等進行盤點,基於現況及未來需要作中長期戰略規劃。這裏滙聚了阿里內部共用得最頻繁或者最關鍵的數據,這些資源有如生產中所需要的半成品,可以加快生產速度及減低重複性。公共層作為中台的一部分,積累了集團最關鍵的數據資源,同時也是最具備柔性及品質保障的主數據。

一切數據都是因應業務目標驅動而形成,產生於業務且又服務於業務。數據生產過程中極其重要的一類數據,被稱為中繼數據,又叫數據中的數據。對中繼數據管理得當,就可以讓數據在生產過程變得更精準、穩定及可被追溯。中繼數據管理須記錄生產過程中各項數據因素,包括生命周期、調度情況、品質保障、安全監控、數據字典、數據血緣關係等。中繼數據是數據中台的精髓,有利於數據在生命周期中的監督、成本管理或分攤、追蹤數據價值。因此,一般數據中台的價值體現可以根據數據開發能否化繁為簡作為考核,進一步理解就是數據反覆運算同步的效率。

數據中台賦能改革.三之二

Recent Posts

See All
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
智能代理編程戰 懂人機協作致勝

上周把兩個消息放在一起看,很有意思。 第一個,Anthropic宣布Claude Code推出Artifacts,讓軟件工程師在寫程式的過程中,業務主管能同時打開網頁儀表板,就能看到軟件即時更新及開發的狀態。 第二個,中國人民大學和微軟亞洲研究院聯合推出一個叫Arbor開源自主人工智能體的新框架,系統能自動提出假設、修改代碼,運行真實實驗並從結果中學習,自動優化解決問題。 過去一年大家比併的是模型

 
 
集結舊手機算力 媲美當今伺服器

你可曾想過,你抽屜裏那部4年前的舊手機,可能很有價值? 這個星期,Google Research聯同加州大學聖地牙哥分校(UCSD)公布一項創新計劃:運用2000部退役的Pixel手機,構建一個真實可用的雲端計算平台。這不僅是概念驗證,更是一個供數百名學者與研究人員實際操作的生產級環境。處理方式十分直接,將舊手機的熒幕、電池、外殼全部移除,僅保留主機板,透過Kubernetes技術組成叢集,直接轉

 
 
bottom of page