一、谈“多模态”而色变的原因是什么？

数据治理领域，讲到多模态数据治理，大家普遍还是比较淡定的。谈‘多模态’而色变的主要原因，可能在于面对多模态场景下理论体系的缺乏、技术支撑能力的不足、AI工具的不完善以及数据融合场景难挖掘等困难，导致给本就需大量人工投入的工作增加更多的不确定性、复杂性和难度。

理论体系的缺失：现有的数据治理体系和框架（可进一步阅读：彻底掌握：主流数据治理标准及框架全景图）并未对多模态数据的处理和应用制定一贯的标准、规范，使得很多企业和研究机构在实际操作中面临诸多不确定性，如数据标注、数据存储和数据共享利用的标准化流程等。

技术支撑能力的不足：多模态数据治理涉及不同类型的数据，每一种类型的数据都有其特有的结构和特征，而针对不同数据需要不同的技术和算法。这些技术和算法（如卷积神经网络知识）往往需要较高的技术知识的积累以及资源的投入，这对中小型企业来说，其成本是相当高的。另外一方面，数据治理领域一般处于产业的下游，人们往往称其为“劳动力密集型产业”，通过投入人来完成的业务，为了控制成本，其技术投入本就不足，对人才的孵化也就不足。综合上，造成了理论体系相对完善，但技术支撑能力跟不上的局面。

AI工具的不完善：多模态数据融合的难点一致并未有效解决，虽然从理论上有很多的实现策略（关于融合策略的介绍，可进一步阅读：聊一聊多模态数据治理-DeepSeek加速AI落地），但现实中试错成本是很高的，整体性价比（资本层面的投入产出比）并不高。其不完善主要体现在 AI 工具在数据采集、清洗、存储、分析等环节中，需要复杂的配置和管理，且针对不同数据和场景，训练和推理过程中参数调整的要求并不完全一样，这对实施该项工作的企业来说是不划算的。

数据融合应用场景难挖掘：客户往往是想看到肉眼可见的效果的，但数据融合应用场景的挖掘和实现的效果是有挑战性的。因为这需要解决数据同步与对齐、语义差距和数据噪声等多方面的问题。虽然技术在不断的进步，但短期内能流畅对接存在难度。

二、现有的数据治理体系是否适用？

虽然多模态数据治理的实现囿于AI技术本身的难度和复杂度，但数据治理的理论体系是否能适用于多模态数据治理场景？我们不妨做从“顶层架构体系、数据治理的初衷以及实现的步骤以及AI本身在这个体系中充当的角色”等几个维度来探讨一下。

顶层架构体系：数据治理顶层架构体系参考EA、DAMA、DCMM等框架，由数据战略规划和实施的基础上，切入数据治理的目标、方向、范围、实施步骤和路径等。并充分考虑数据管控体系建设的方方面面，覆盖组织架构、制度规范、执行流程、人才培养、绩效体系、标准体系、数据文化、数据运营等内容。（关于如何构建组织数据管控体系，可进一步阅读：什么是数据管控体系）数据战略层面更多的解决的是企业业务战略所遇到的问题，一般是涉及企业的发展方向、资源配置、组织架构、核心能力等多个维度，比如组织核心优势的识别和打造、组织资源的评估和分配、企业发展方向的识别和构建等。对AI工具和技术的选择往往是为了业务战略的更加实现，是一个选择方案而已，并不是必选项。

数据治理的初衷：数据治理更多的是解决数据质量问题带来的误差。围绕数据质量提升，从数据采集、存储、清洗、标准选择、数据利用等多维度视角，构建数据质量评价指标，以实现有效数据利用带来的价值实现。比如留存率优化、埋点的选择等。其目的也是为了业务增值。多模态数据治理也围绕提升数据质量而进行的一项工作。

数据治理主要实现的步骤：数据治理的实施过程涵盖现状评估、目标制定、组织架构设置、方案设计（包括采集、标准、存储、清洗、共享等过程的流程设计、技术确定、架构设计等内容）、实施与开发、上线与运营、持续优化等步骤。多模态数据治理的实施也遵循这样的步骤，只是在各个环节增加了多模态数据治理的诉求，而这离不开AI技术的支持。（多模态实施各环节及关键技术分解，可进一步阅读：DG4AI：人工智能+数据治理，如何融合？）

AI扮演的角色：AI在结构化数据治理领域在数据质量提升、元数据管理和血缘溯源、自动化数据治理流程优化等领域已有非常出色的表现。多模态数据治理中，多模态数据融合和模型的训练推理将是重点关注的领域。（可进一步阅读：聊一聊多模态数据治理-DeepSeek加速AI落地）

从以上分析，窥见一斑，现有的数据治理体系还是适用的，只是在多模态数据治理中，如何将AI实施的过程以及AI工具融合到治理体系中，尚无工程化实践的经验和标准。这又将是一个新的探索领域。

三、多模态数据治理体系框架畅想

我们回过头畅想一下多模态数据治理体系的框架吧。大胆设想多模态数据治理遵循的框架是这样的：综合DAMA和DCMM等的优势，构建多模态数据治理体系框架。

遵从数据管理、数据处理和数据伦理的大原则下，由顶层设计出发，覆盖数据应用与服务、数据管理核心领域以及基础设施组织保障。形成一个有高层指导，有工具支撑，有理论指导以及组织保障的梯度模型。（AI和数据治理深度技术融合框架，请进一步阅读：DG4AI：人工智能+数据治理，如何融合？。详细介绍了融合框架、关键步骤、实施环节以及各环节重点技术）

数据治理是人工智能的数据基础，数据治理的目的是在业务价值驱动下提供高质量、有价值的大量数据，而人工智能本身是数据应用的一种实现方式，会延伸出多样化的商业模式，数据治理和人工智能密不可分，数据治理强调修炼内功，人工智能侧重数据应用。

站在数据治理和人工智能的侧面，从数据的产生到价值的挖掘，再到服务的提供，离不开大数据技术、人工智能技术，以及其他技术的应用，因此，面对一个新兴的技术，不必感到恐慌和不解，这就是一个技术而已，至于怎么用，要看业务。（人工智能在数据治理场景的技术应用，请进一步阅读：聊一聊多模态数据治理-DeepSeek加速AI落地）

四、多模态数据治理实施要点分析

从理论上解决了疑惑的基础上，我们看实施怎么拆解。数据治理实施遵循“自上而下”和“自下而上”的方法论。

“自下而上”的数据治理策略则更加注重实际业务需求和IT的对齐，强调一线员工的参与，通过激发员工的积极性和创造力，推动企业数据治理工作的深入开展。这种方法的主要特点是鼓励员工参与数据治理、引入敏捷的数据治理方法、强化业务部门的参与。

“自上而下”的数据治理策略通常从企业的顶层规划设计开始，由高层管理者制定总体框架和战略目标，强调全局性和统一性。这种方法的主要特点是制定数据治理的管控体系、建立统一的数字化平台、强化数据安全和隐私保护。

无论以上哪种方法，都强调数据治理实施的闭环管理。即均通过数据治理成熟度评估，实现对整体基础和诉求的合理评估；再通过制定数据治理蓝图，明确目标和差距；第三通过评估结果，制定切实可行的实施计划，推进落实；最后通过持续的监督，针对性的推进数据治理的水平，从而进一步推进数据治理成熟度能力。（数据治理执行流程设计遵循PDCA闭环逻辑，请进一步阅读：管控体系：执行流程设计）

结尾的话

多模态数据治理体系框架，我们做个大胆的畅想，希望专业的机构能够针对该领域给出更多的标准和指导。

本文来自公众号：数据那些事