1张纪宽-多模态数据存储、治理、开发管理平台实现AI-Ready的落地实践-张纪宽.pdf

1、演讲嘉宾：张纪宽多模态数据存储、治理、开发管理平台多模态数据存储、治理、开发管理平台实现实现AI-ReadyAI-Ready的落地实践的落地实践0 1海信数转进展海信数转进展0 2AIAI对数据需求对数据需求0 3平台架构原理平台架构原理0 4落地场景实践落地场景实践0 5未来规划未来规划0 1 海信数转进展海信数转进展业务总览以用户为中心，打造数字化海信ToC 品牌阵营ToB 品牌/业务线HisenseRonshenHitachiToshibaGorenje.VIDDA海信商显日立工业/楼宇Sanden科林电气宽带/能源乾兆光电.核心业务支撑系统（全价值链运营载体）营销制造研发供应链财务人力

2、资源核心应用系统（业务系统数字化支撑）销售与零售系统智能制造系统研发创新系统供应链管理系统财务管理系统人力资源系统PLM产品生命周期管理系统HRM人力资源管理系统CMS内容管理系统ERP企业资源计划系统SCM供应链管理系统CRM客户关系管理系统全链路数据沉淀（业务决策核心资产）用户数据业务数据运营数据研发数据制造数据财务数据ASKO.KELONG数转挑战数据治理层面数据治理层面数据质量层面数据质量层面数据应用层面数据应用层面 组织架构组织架构：业务侧数据主人角色缺失，管理职责不清，指标传递不畅。沟通协同沟通协同：跨领域沟通难，数据源头问题解决慢，营销协同困难，权限管控不统一。推进策略推进策略：

3、治理方法与业务目标关联弱，速赢效果不明显，指标应用不佳。一致性一致性：多 ERP 系统致数据维度和质量不一，KPI 与流程不匹配，权限管控不统一。质量问题质量问题：数据资产化工作未落实，跨领域数据不一致。可信度可信度：缺乏公共数据和模型机制，部分指标需手工处理。缺乏集团层面归一化、系统化的指标体系，全价值链指标未拉通；关键指标的核算标准、口径不统一，导致决策和管理成本高，难以实现数据驱动的精细化管理。数据口径杂乱、质量低无法为智能体及业务创新应用提供有效的数据支撑。数据开发治理流程需求梳理需求梳理-数据探源数据探源-标准制定标准制定-模型设计模型设计-模型开发模型开发-质量探查及改进质量探查及

4、改进-数据服务数据服务-资产沉淀资产沉淀 需求收集阶段需求收集阶段 方案设计阶段方案设计阶段智能体报表/指标业务场景需求分发数据探源需求提出 开发实施阶段开发实施阶段 资产服务资产服务数据标准制定数仓分层模型设计数据入湖数据明细层 知识库数据应用层开发数据清洗、映射、提取转换数据服务开发资产增强检索数据质量监控数据质量规则设计知识文件集设计数据治理流程实例海信集团数智化转型落地实践业务业务AI数据数据ERPCRMMESWMSPLMOneData模型训练知识库智能体智能客服智能问数业务智能体数据服务GPControlMinformatica老数仓老数仓协议集成S3httpftpjdbcfile迁

5、移数据任务总体组制度流程规范数据治理工程师数据开发工程师JuData工程师JuData数据架构数据标准数据质量数据开发任务迁移任务运维映射库批量迁移业务表视图输出协议JFS SDKhttpSQLOneMeta0 2AIAI对数据需求对数据需求AI对数据平台新的挑战数据分散在各个系统独立维护多模态数据种类多且集成复杂多模态数据孤岛多模态数据孤岛元数据统一管理复杂元数据统一管理复杂 高效元数据管理和快速检索 数据语义不理解AI精确度低存储与性能要求高存储与性能要求高 对象存储支撑海量非结构化数据 非结构化数据处理需要混合负载 数据质量参差不齐标注难度大 多模态数据治理体系不健全数据治理体系缺失数据

6、治理体系缺失对数据新的需求 多模态数据统一管理：多模态数据统一管理：支持多种数据源采集，统一管理结构化和非机构化数据 多模态数据加工：多模态数据加工：支持模型训练集进行数据加工，集成如去重、清洗、增强、标注、等加工算子 多模态数据服务：多模态数据服务：对存储数据开发API、SDK进行数据访问模型训练 统一接入：统一接入：开放统一接口供各类业务平台资产入湖，适配各类数据源 灵活作业编排灵活作业编排：低成本快速编排数据处理任务，文件处理算子。智能检索：智能检索：对多模态数据进行更好的语义理解 自动治理：自动治理：无需关心数据质量问题智能体应用数据治理新的需求需求维度需求维度核心要求核心要求说明说明