git:20260821.6e4393f to git:20260829.7b0e120
2 added, 13 removed. Audit A to A.
---
name: ai-training-inference-data-asset-governance
description: |
用于需要建设AI数据资产目录、训练数据、实时事实、规则和推理结果混在一起，用户出现“AI数据资产怎么分类”“训练和推理数据怎么分”或 AI data assets, training vs inference, provenance governance 等信号时调用。不适用于只需要普通数据仓库分层设计。
metadata:
- tags:
- - data-assets
- - operating-data
- - analytics-data
- - ai-data
- - governance
- - enterprise-ai
- - ontology-driven
- related_skills:
- - slug: seven-plus-one-semantic-mapping
- relation: composes-with
- - slug: ontology-runtime-service-and-version-operations
- relation: composes-with
+ tags: "data-assets, operating-data, analytics-data, ai-data, governance, enterprise-ai, ontology-driven"
+ related-skills: "seven-plus-one-semantic-mapping:composes-with, ontology-runtime-service-and-version-operations:composes-with"
---
# 面向训练与推理的 AI 数据资产治理
## 方法骨架
- 按消费方式和责任边界区分作业、分析和AI数据资产。
- AI资产内部继续区分训练样本、运行时事实、事理模型、推理结果和过程日志。
- 事实尽量留在权威源系统，通过不可变标识、版本和动态引用参与推理。
- 事理资产保存规则、因果、流程、权限和适用范围。
- 推理结果必须连接输入事实、模型版本和过程日志，支持追溯和复现。
- 治理输出包括目录、来源、责任、质量、权限、生命周期和审计字段。
## 触发场景
### 用户会在什么情境下需要这个 Skill
1. 需要建设AI数据资产目录
2. 训练数据、实时事实、规则和推理结果混在一起
3. 要明确AI数据的来源、版本、责任和审计边界
### 语言信号
- “AI数据资产怎么分类”
- “训练和推理数据怎么分”
- “事实规则和推理结果怎么治理”
- 英文信号：AI data assets, training vs inference, provenance governance
### 与相邻 Skill 的区分
- 与 `seven-plus-one-semantic-mapping`：本 skill 管理资产类别和责任；7+1定义事理与Action的语义结构。
- 与 `ontology-runtime-service-and-version-operations`：资产治理管理可用资产；运行时服务负责向Agent安全供给本体资源。
## 执行步骤
Skill 激活后按以下顺序执行：
1. **盘点消费场景**
- 动作：列出作业、分析、训练、在线推理、审计和反馈的消费者与目标。
- 完成标准：每类资产有明确消费者和服务级别。
2. **完成资产分类**
- 动作：区分作业、分析、训练样本、事实、事理、推理结果和日志。
- 完成标准：同一对象可有多种资产形态，但责任与用途不混用。
3. **登记来源与版本**
- 动作：为不可变标识、源系统、时间、版本、适用范围和血缘建档。
- 完成标准：关键事实能回到权威源，推理结果能回到输入与模型版本。
4. **配置质量与权限**
- 动作：按资产类型设置完整性、时效、一致性、授权、脱敏和保留策略。
- 完成标准：训练和生产用途的授权分别确认。
5. **建立审计闭环**
- 动作：记录推理过程、结果、反馈、纠错和退役，定期检查混用与孤岛。
- 完成标准：形成目录、责任矩阵、质量规则和问题清单。
### 固定输出
最终结果至少包含：输入与假设、逐步判断、证据与来源、未决项、风险边界、建议动作、完成标准。涉及项目适配时，将方法假设与项目事实分栏表达。
## 使用边界
### 不要在以下情况使用
- 只需要普通数据仓库分层设计
- 资产消费者和责任人尚未明确
- 复制事实数据会破坏源系统权威性
### 常见失败模式
- **数据集混用且缺少责任和来源治理**：数据上下文和授权边界被抹平，错误、泄露或效果变化出现时无法定位责任和输入来源。
- **用错误本体生成训练数据并放大偏差**：同一语义缺陷被重复采样，训练优化把局部错误提升为模型的稳定决策倾向。
### 使用折扣与复核要求
- 分类需映射现有数据治理体系，新增目录无法自动解决责任冲突和数据质量问题。
- 大模型生成形式结构无法直接证明业务语义正确，生产使用需保留专家确认、工具校验、真实用例和审计记录。
## 相关 Skills
- `composes-with` → `seven-plus-one-semantic-mapping`；本 skill 管理资产类别和责任；7+1定义事理与Action的语义结构。
- `composes-with` → `ontology-runtime-service-and-version-operations`；资产治理管理可用资产；运行时服务负责向Agent安全供给本体资源。
## 审计信息
- **验证通过**：V1 ✓ / V2 ✓ / V3 ✓
- **测试通过率**：100%（6/6，独立 sub-agent 盲测；详见 test-results.md）
- **首次公开版本**：2026-08-21
- **来源说明**：方法框架受《本体驱动的 AI 数据管理》启发；仓库不包含原书正文。