一 概述 在 开发 监管系统 AI/ML 数据准备框架的过程中，一个问题不断浮现：鉴于 AI/ML 的扩展能力，传统的数据治理在 应用于 AI/ML 时是否仍然适用？ 在对包括NIST人工智能风险管理框架和新兴数据治理标准在内的现有行业框架进行详细审查后，答案显而易见。传 统的数据治理仍然至关重要，但仅靠它已不足以应对大型语言模型和现代人工智能系统。 传统治理模式是为结构化数据的确定性世界而设计的，在这种世界中，系统行为可预测，验证过程也基本是静态 的。人工智能/机器学习系统的运行方式则截然不同。它们是概率性的、自适应的，并且会持续受到新数据的影响。 模型会学习、漂移，在某些情况下甚至会产生"幻觉"。将静态的治理控制应用于这些动态系统，会导致模型漂移、 算法偏差和可解释性不足等关键风险在很大程度上无法得到有效管理。 传统数据治理提供了必要的基础，但仅靠它本身不足以有效治理人工智能/机器学习系统。这就引出了一个组织现在 必须解决的实际问题：在人工智能驱动的环境中，传统数据治理在哪些方面仍然适用，又在哪些方面存在不足？ 为了有效管理人工智能，我们必须从数据治理转向人工智能治理（通常以机器学习运维治理的形式体现）。 ...