AI 问数中的元数据管理：让 AI 先知道有什么数据

AI 问数要回答问题，首先要知道企业有什么数据。

这看起来简单，实际很难。

企业数据可能分散在业务系统、数据库、数据仓库、Excel、CSV、在线文档和外部数据源里。

同一个业务对象可能在多个系统都有记录。

同一个字段可能有多个命名。

同一个指标可能有多个口径。

这就需要元数据管理。

AI 问数需要哪些元数据

第一，数据源元数据。

数据来自哪里，是什么类型，更新频率如何，谁负责维护。

第二，表和字段元数据。

表的业务含义是什么，字段是什么意思，字段类型和示例值是什么。

第三，关系元数据。

哪些表可以关联，通过什么键关联，关联关系是否可靠。

第四，指标元数据。

指标名称、计算公式、过滤条件、适用范围、负责人。

第五，权限元数据。

哪些角色可以访问哪些表、字段和数据范围。

第六，血缘元数据。

某个指标来自哪些上游表，经过哪些加工，影响哪些下游报表或分析。

Snowflake Horizon Catalog 和 Data Lineage 的资料都强调数据发现、治理和血缘追踪能力。进入 AI 问数场景后，这些能力会直接影响 AI 能否选对数据和解释答案。

元数据不完整会导致什么问题

如果没有表说明，AI 可能选错表。

如果没有字段说明，AI 可能误解字段含义。

如果没有关系说明，AI 可能错误关联。

如果没有指标口径，AI 可能算出和财务不一致的结果。

如果没有权限元数据，AI 可能触碰不该访问的数据。

如果没有血缘信息，答案出错后很难排查。

这些问题都会让业务用户失去信任。

元数据要为 AI 做结构化整理

传统元数据管理主要给数据团队用。

AI 问数需要让元数据也能被模型和分析流程使用。

这意味着元数据不能只是一堆文档。

它应该和数据源、表、字段、指标、权限、问题集和业务知识关联起来。

当用户提问时，AI 能根据元数据判断应该查什么、怎么查、能不能查。

AskTable 如何承接元数据管理

BuildTable 负责整理企业数据基础，把数据源、表字段、字段值和建模关系变得更清晰。

AskTable 在此基础上使用元数据理解业务问题。

企业可以先从高频场景建立元数据，再逐步扩展到更多数据源和业务线。

元数据越清楚，AI 问数越不需要靠猜。

结论

AI 问数不是直接问数据。

它是先理解数据，再回答业务问题。

元数据管理决定了 AI 能否找到正确数据、遵守权限边界，并在出错时被追溯和修正。

参考来源

• •Snowflake：Horizon Catalog
• •Snowflake：Data Lineage