这是一篇为 DZone 的 2025 趋势报告撰写并发表的文章，主要内容如下：

• 数据重要性及 AI 对数据的依赖：数据已从业务流程的副产品演变为创新和战略决策的重要资产，AI 的能力不断提升并融入软件开发，其有效性依赖高质量可靠数据，否则即使最先进的 AI 工具也会失败，所以组织需关注数据健康。

• 确保架构、模型和监测系统的数据质量：

  • 评估数据质量核心维度：涵盖准确性、完整性、一致性、及时性、有效性和完整性等方面，通过多种方式确保数据质量，如确认数据值正确、填充必填字段、统一命名标准等。
  • 持续监测数据质量：通过实施自动化工具检测异常、定期分析数据集等方式，将检查集成到 ETL 工作流中，创建仪表盘展示关键指标，以维持数据可靠性。
  • 加强数据治理和所有权：明确数据所有者和数据管理员，建立核心政策，创建数据目录，定义数据质量流程，以降低风险、提高一致性，将数据转化为可靠资产。
  • 追踪数据沿袭和可追溯性：了解数据来源、转换和流向，通过映射数据起源和转换、捕获沿袭元数据等方式，为调试问题、满足合规要求和建立信任提供支持。
  • 验证 AI 和机器学习的准备情况：对数据进行结构化和标记，减少偏差，确保数据质量，包括标注数据集、组织数据、去除重复值等，以提高模型性能和信任度。
  • 确保数据安全和合规：映射包含个人或受监管信息的数据集，审计同意管理等程序，确保数据处理符合法律要求，通过加密、掩码等方式保护数据。
  • 投资文化和持续改进：建立结构化审查周期和反馈回路，投资数据素养，定期进行数据质量审查，整合评估到治理工作流中，以提高数据可靠性。
• 结论：AI 或分析计划的影响取决于数据质量，组织需采取全面综合的方法，包括评估、监测、治理、反馈等，建立重视质量的文化，利用提供的清单采取实际行动，加强数据，为负责任的高影响力 AI 奠定基础，获得更好决策、信任和竞争优势。
• 附加资源和相关阅读：列举了多个关于数据治理、AI 治理等方面的 DZone 参考资料。

总之，文章强调了数据质量在 AI 和分析中的关键作用，提供了一系列确保数据质量的方法和步骤。