การกำกับดูแลข้อมูลคืออะไร

ในอดีตมีการใช้โปรแกรมการกำกับดูแลข้อมูลเพื่อล็อกข้อมูลในไซโลเพื่อป้องกันการรั่วไหลของข้อมูลหรือการใช้ในทางที่ผิด อย่างไรก็ตาม ผลของ Data Silo ก็คือผู้ใช้ที่ถูกต้องตามกฎหมายต้องเจออุปสรรคในการเข้าถึงข้อมูลเมื่อพวกเขาต้องการ และนวัตกรรมที่ขับเคลื่อนด้วยข้อมูลก็เผชิญปัญหาโดยไม่ได้ตั้งใจ

ในการสำรวจเมื่อปี 2024 ผ่านตำแหน่ง CDO และตำแหน่งที่เทียบเท่ากับ CDO 350 ตำแหน่งของ MIT CDOIQ พบว่าหัวหน้าฝ่ายข้อมูล 45% ระบุว่าการกำกับดูแลข้อมูลเป็นลำดับความสำคัญสูงสุด ผู้นำข้อมูลเหล่านี้ต้องการสร้างกรอบการกำกับดูแลข้อมูลที่ช่วยให้พวกเขาสามารถเปิดเผยข้อมูลแก่บุคคลและแอปพลิเคชันที่เหมาะสมได้เมื่อจำเป็น และรักษาข้อมูลให้ปลอดภัยด้วยการควบคุมที่เหมาะสมไปด้วยในขณะเดียวกัน 

สร้างความสมดุลในการเข้าถึงและการควบคุม

คุณมีสองวิธีที่จะทำให้การกำกับดูแลกเป็นตัวช่วยในสร้างนวัตกรรม ได้แก่ การเข้าถึงและการควบคุม กุญแจสู่ความสำเร็จคือการค้นหาสมดุลที่เหมาะสมระหว่างทั้งสองอย่าง และจุดสมดุลของแต่ละองค์กรนั้นจะแตกต่างกัน เมื่อคุณใช้การควบคุมมากเกินไป ข้อมูลจะถูกล็อกเอาไว้ในไซโลและผู้ใช้จะไม่สามารถเข้าถึงข้อมูลได้เมื่อพวกเขาต้องการ วิธีนี้จะยับยั้งความคิดสร้างสรรค์และนำไปสู่การเกิดระบบไอทีที่บกพร่องที่ทำให้ข้อมูลล้าสมัยและไม่ปลอดภัยอีกด้วย ในทางตรงกันข้าม เมื่อคุณให้สิทธิ์ในการเข้าถึงมากเกินไป ข้อมูลก็จะมีความเสี่ยงเนื่องจากไม่ได้รับการควบคุมทั่วทั้งแอปพลิเคชันและที่เก็บข้อมูล ซึ่งจะเพิ่มความเสี่ยงในการเข้าถึงโดยไม่ได้รับอนุญาต และส่งผลกระทบต่อคุณภาพของข้อมูล

กระบวนการกำกับดูแลข้อมูลจะสร้างความสมดุลระหว่างการเข้าถึงกับการควบคุม ทำให้ผู้ใช้ไว้วางใจและมั่นใจในข้อมูล โดยส่งเสริมการค้นพบ การดูแลจัดการ การป้องกัน และการแบ่งปันข้อมูลที่เหมาะสม ส่งเสริมนวัตกรรมในขณะที่ปกป้องข้อมูล

การกำกับดูแล ML นำแนวปฏิบัติด้านการกำกับดูแลข้อมูลมาใช้กับ ML เช่นกัน คุณภาพของข้อมูลและการรวมข้อมูลต้องให้ข้อมูลที่จำเป็นสำหรับการเทรนโมเดลและการใช้งานการผลลัพธ์ (หนึ่งในตัวอย่างสำคัญก็คือแหล่งเก็บคุณสมบัติ) ปัญญาประดิษฐ์ (AI) ที่มีความรับผิดชอบให้ความสำคัญเป็นพิเศษกับการใช้ข้อมูลที่ละเอียดอ่อนในการสร้างโมเดล ความสามารถในการกำกับดูแล ML อื่นๆ ได้แก่ การเปิดโอกาสให้ผู้คนมีส่วนร่วมในการสร้างโมเดล การนำไปใช้จริง และการตรวจสอบ การจัดเก็บเอกสารการเทรนโมเดล การกำหนดเวอร์ชัน กรณีการใช้งานที่รองรับ และแนวทางในการใช้แบบจำลองทางจริยธรรม และการเฝ้าตรวจสอบแบบโมเดลในการผลิตเพื่อความถูกต้อง การดริฟท์ การโอเวอร์ฟิตติ้ง และอันเดอร์ฟิตติ้ง

AI ช่วยสร้าง ต้องมีความสามารถในการกำกับดูแลข้อมูลอื่นๆ เช่น คุณภาพและความสมบูรณ์ของข้อมูลเพื่อสนับสนุนการปรับตัวของโมเดลพื้นฐานสำหรับการเทรนและการอนุมาน การกำกับดูแลความเป็นพิษและความลำเอียงของ AI ช่วยสร้าง และการทำงานของโมเดลพื้นฐาน (FM): FMOP

คุณสามารถสนับสนุน AI/ML ได้ด้วยโปรแกรมการกำกับดูแลข้อมูลเดียวกัน การเตรียมข้อมูล เป็นสิ่งจำเป็นในการแปลงข้อมูลเป็นรูปแบบที่โมเดล AI/ML สามารถใช้ในการเทรนและสร้างสำหรับการฝึกอบรมและการสร้างการอนุมานได้ แต่การเตรียมข้อมูลที่มีประสิทธิภาพมากที่สุดคือการเตรียมการที่คุณไม่ต้องทำ นักวิทยาศาสตร์ข้อมูลใช้เวลามากเกินไปในการเตรียมข้อมูลสำหรับแต่ละกรณีการใช้งาน ทีมกำกับดูแลข้อมูลของคุณสามารถช่วยแก้ปัญหาหนักหนานี้ได้ นอกจากนี้ การกำกับดูแลข้อมูลสามารถคาดเดาการสร้างรแหล่งเก็บคุณสมบัติที่ต้องการเพื่อใช้ในกรณีการใช้งาน AI และ ML ได้อีกด้วย

สุดท้ายแล้ว ข้อมูลสำคัญจะต้องได้รับการปกป้องอย่างเหมาะสม เพื่อให้ทีมของคุณสามารถลดความเสี่ยงของข้อมูลที่ละเอียดอ่อนที่ใช้ในการฝึกอบรมโมเดลพื้นฐานได้

เช่นเดียวกับการวิเคราะห์ทั่วไป คุณจะต้องควบคุมการใช้งานโมเดล AI/ML ที่คุณสร้างหรือปรับแต่ง โดยทั่วไปแล้ว ควรจะดูแลการกำกับดูแลการวิเคราะห์อย่างใกล้ชิด เพราะฟังก์ชั่นนั้นจะรู้วิธีการสนับสนุนพื้นที่ธุรกิจต่างๆ

โปรแกรมการกำกับดูแลข้อมูลของคุณควรปรับสมดุลการรวมศูนย์และการกระจายศูนย์ (รวมถึงบริการตนเอง) ทั่วทั้งองค์กรของคุณ คุณจะมีระบบการปกครองแบบรวมศูนย์ แบบแบ่งศูนย์ และแบบกระจายศูนย์ และทั้งนี้ขึ้นอยู่กับความต้องการของธุรกิจเช่นเดิม คุณควรเพิ่มขีดความสามารถให้กับทีมโดเมนให้มากที่สุดเท่าที่จะเป็นไปได้ในขณะที่ยังรักษาความเชื่อมโยงกันระหว่างโดเมน (เช่น ความสามารถในการเชื่อมโยงข้อมูลเข้าด้วยกัน)  

การกำกับดูแลข้อมูลแบบรวมศูนย์

องค์กรส่วนกลางจะรับผิดชอบสูงสุดเกี่ยวกับพันธกิจ นโยบาย ตัวเลือกเครื่องมือ และอื่น ๆ อย่างไรก็ตาม การดำเนินงานในแต่ละวันมักจะมีความเกี่ยวข้องกับสายงานธุรกิจ (LOB)

การกำกับดูแลข้อมูลที่เช่ือมโยงกับส่วนกลาง

การกำกับดูแลข้อมูลที่เชื่อมโยงกับส่วนกลางช่วยให้หน่วยธุรกิจแต่ละหน่วยหรือโครงการต่าง ๆ สามารถดำเนินการได้ตรงกับความต้องการของตนได้ดีที่สุด อย่างไรก็ตาม ทีมขนาดเล็กกว่าที่ทำงานแบบรวมศูนย์จะมุ่งเน้นไปที่การแก้ปัญหาที่เกิดซ้ำบ่อยครั้ง เช่น เครื่องมือคุณภาพข้อมูลทั่วทั้งองค์กร เป็นต้น

การกำกับดูแลข้อมูลแบบบริการตนเองหรือแบบกระจายศูนย์

แต่ละแผนกจะทำสิ่งที่จำเป็นสำหรับโครงการโดยเฉพาะและยังคงสอดคล้องกับนโยบายแบบรวมศูนย์ในขณะเดียวกัน แต่ละโครงการใช้เครื่องมือหรือกระบวนการใดๆ จากโครงการอื่นๆ ที่มีความเหมาะสมสำหรับการใช้งาน ในขณะที่หัวข้อต่าง ๆ เช่น ตาข่ายข้อมูล (การกระจายศูนย์) ได้รับความนิยมเพิ่มขึ้น การกำกับดูแลข้อมูลแบบบริการตนเองก็เช่นกัน 

กุญแจสำคัญของโปรแกรมการกำกับดูแลข้อมูลที่มีประสิทธิภาพคือการสอดคล้องกับโครงการธุรกิจที่ได้รับทุนแล้ว ทำให้แน่ใจว่าทีมของคุณเข้าใจว่าโดเมน แหล่งข้อมูล และองค์ประกอบใดที่จำเป็นต่อการสนับสนุนโครงการเหล่านั้น

• สร้างโรดแมปการกำกับดูแลข้อมูลที่แสดงการสนับสนุนโครงการธุรกิจที่ต้องการ จากนั้นเริ่มต้นระบุข้อมูลที่ทับซ้อนกันระหว่างโครงการธุรกิจที่เลือก
• เลือกแอปพลิเคชันและกรณีการใช้งานระบบอัจฉริยะทางธุรกิจที่ข้อมูลต้องการเพื่อสนับสนุนและฟีด รวมถึงข้อกำหนดสำหรับความสดใหม่และความเป็นส่วนตัว
• ทำความเข้าใจว่าข้อมูลที่เหมาะสมกับวัตถุประสงค์สำหรับโครงการธุรกิจแต่ละรายการมีลักษณะอย่างไร
• รักษาและขยายโปรแกรมการกำกับดูแลข้อมูลด้วยการฝังไว้ในโมเดลการดำเนินงานขององค์กร ดังนั้นการวางแผนและการนำข้อมูลไปใช้งานจึงกลายเป็นส่วนหนึ่งตามธรรมชาติของการดำเนินงานขององค์กร
• จัดระเบียบชุมชนการวิเคราะห์เพื่อการบริการตนเองและความสม่ำเสมอ
• สนับสนุนปัญญาประดิษฐ์ (AI) และแมชชีนเลิร์นนิง (ML) ด้วยการกำกับดูแลข้อมูลและการกำกับดูแล ML ใช้โปรแกรมการกำกับดูแลข้อมูลเดียวกัน แต่ขยายไปยังรแหล่งเก็บคุณสมบัติและโมเดล ML

การกำกับดูแลข้อมูลมีบทบาทสำคัญในกรณีการใช้งานที่มีข้อมูลจำนวนมาก

การกำกับดูแลการวิเคราะห์

การกำกับดูแลการวิเคราะห์เป็นทั้งการควบคุมข้อมูลเพื่อใช้ในแอปพลิเคชันเชิงวิเคราะห์ ตลอดจนควบคุมการใช้ระบบการวิเคราะห์ ทีมกำกับดูแลการวิเคราะห์ของคุณสามารถสร้างกลไกการกำกับดูแล เช่น การกำหนดเวอร์ชันรายงานการวิเคราะห์และเอกสารประกอบได้ และเช่นเคย การติดตามข้อกำหนดด้านกฎระเบียบ สร้างนโยบายของบริษัท และกำหนดกฎควบคุมระบบที่กว้างขึ้นให้กับองค์กร

การกำกับดูแล AI

การกำกับดูแล AI ใช้แนวปฏิบัติเดียวกันหลายอย่างเหมือนกับการกำกับดูแลข้อมูลกับกรณีการใช้งาน AI/ ML คุณภาพข้อมูลและการผสานรวมจะต้องให้ข้อมูลที่จำเป็นสำหรับการฝึกโมเดลและ การนำไปใช้จริง (ที่เก็บฟีเจอร์เป็นส่วนสำคัญประการหนึ่งของสิ่งนี้) ปัญญาประดิษฐ์ (AI) ที่มีความรับผิดชอบให้ความสำคัญเป็นพิเศษกับการใช้ข้อมูลที่ละเอียดอ่อนในการสร้างโมเดล ความสามารถในการกำกับดูแล AI อื่น ๆ ได้แก่ การเปิดโอกาสให้ผู้คนมีส่วนร่วมในการสร้างโมเดล การนำไปใช้จริง และการตรวจสอบ การจัดเก็บเอกสารการฝึกโมเดล การกำหนดเวอร์ชัน กรณีการใช้งานที่รองรับ และแนวทางในการใช้แบบจำลองทางจริยธรรม และการเฝ้าตรวจสอบแบบโมเดลในการผลิตเพื่อความถูกต้อง การดริฟท์ การโอเวอร์ฟิตติ้ง และอันเดอร์ฟิตติ้ง

AI ช่วยสร้าง ต้องมีความสามารถในการกำกับดูแลข้อมูลอื่น ๆ เช่น คุณภาพและความสมบูรณ์ของข้อมูลเพื่อสนับสนุนการปรับตัวของโมเดลพื้นฐานสำหรับการฝึกและการอนุมาน การกำกับดูแลความเป็นพิษและความลำเอียงของ AI ช่วยสร้าง และการทำงานของโมเดลพื้นฐาน (FM): FMOps

คุณสามารถสนับสนุน AI/ML ได้ด้วยโปรแกรมการกำกับดูแลข้อมูลเดียวกัน การเตรียมข้อมูล เป็นสิ่งจำเป็นในการแปลงข้อมูลเป็นรูปแบบที่โมเดล AI/ML สามารถใช้ในการฝึกและสร้างสำหรับการฝึกอบรมและการสร้างการอนุมานได้ แต่การเตรียมข้อมูลที่มีประสิทธิภาพมากที่สุดคือการเตรียมการที่คุณไม่ต้องทำ นักวิทยาศาสตร์ข้อมูลใช้เวลามากเกินไปในการเตรียมข้อมูลสำหรับแต่ละกรณีการใช้งาน ทีมกำกับดูแลข้อมูลของคุณสามารถช่วยแก้ปัญหาหนักหนานี้ได้ นอกจากนี้ การกำกับดูแลข้อมูลยังสามารถดูแลการสร้างที่เก็บฟีเจอร์ที่มีรูปทรงสำหรับกรณีการใช้งาน AI และ ML อีกด้วย

สุดท้ายนี้ ข้อมูลที่ละเอียดอ่อนจะต้องได้รับการปกป้องอย่างเหมาะสม เพื่อให้ทีมของคุณสามารถลดความเสี่ยงในการใช้ข้อมูลที่ละเอียดอ่อนในการฝึกโมเดลพื้นฐาน

เช่นเดียวกับการวิเคราะห์ คุณจะต้องควบคุมการใช้โมเดล AI/ML ที่คุณสร้างหรือปรับแต่ง โดยทั่วไปแล้ว ควรจะดูแลการกำกับดูแลการวิเคราะห์อย่างใกล้ชิด เพราะฟังก์ชั่นนั้นจะรู้วิธีการสนับสนุนพื้นที่ธุรกิจต่างๆ

ด้วยการกำกับดูแลข้อมูลแบบต้นทางถึงปลายทางบน AWS องค์กรสามารถควบคุมตำแหน่งที่ตั้งของข้อมูล ใครสามารถเข้าถึงข้อมูลได้ และสิ่งที่สามารถทำได้กับเวิร์กโฟลว์ข้อมูลทุกขั้นตอน การกำกับดูแลข้อมูลด้วย AWS ช่วยให้องค์กรสามารถทำการตัดสินใจที่ขับเคลื่อนด้วยข้อมูลได้โดยการทำให้ผู้คนและแอปพลิเคชันที่เหมาะสมสามารถค้นหา เข้าถึง และแบ่งปันข้อมูลที่ถูกต้องเมื่อพวกเขาต้องการได้อย่างปลอดภัยและปลอดภัยและมั่นคง คุณสามารถดูแลจัดการข้อมูลได้โดยการทำให้การผสานข้อมูลและควบคุมคุณภาพของข้อมูลโดยอัตโนมัติเพื่อจำกัดการแพร่กระจายของข้อมูล คุณสามารถค้นพบและทำความเข้าใจข้อมูลของคุณด้วยแค็ตตาล็อกแบบรวมศูนย์ที่ช่วยเพิ่มความสามารถในการอ่านข้อมูล คุณสามารถปกป้องข้อมูลของคุณด้วยสิทธิ์ที่แม่นยำที่ช่วยให้คุณแบ่งปันข้อมูลได้อย่างมั่นใจ 

คุณสามารถลดความเสี่ยงและปรับปรุงการปฏิบัติตามกฎระเบียบได้โดยการติดตามและตรวจสอบการเข้าถึงข้อมูล

• Amazon DataZone – ปลดล็อกข้อมูลข้ามขอบเขตองค์กรด้วยการกำกับดูแลในตัว
• AWS Glue – ค้นพบ จัดเตรียม และรวมข้อมูลทั้งหมดของคุณในทุกขนาด
• AWS Lake Formation — สร้าง จัดการ และรักษาความปลอดภัยของ Data Lake ภายในไม่กี่วัน
• Amazon QuickSight รวมระบบธุรกิจอัจฉริยะที่ไฮเปอร์สเกล
• Amazon SageMaker – สร้าง ฝึก และใช้โมเดลแมชชีนเลิร์นนิงสำหรับกรณีใช้งานต่าง ๆ ด้วยโครงสร้างพื้นฐานที่มีการจัดการอย่างเต็มรูปแบบ เครื่องมือ และเวิร์กโฟลว์
• หน้าเว็บการกำกับดูแล ML
• Amazon Bedrock – สร้างและปรับขนาดแอปพลิเคชันแบบใช้ AI ช่วยสร้างด้วยโมเดลพื้นฐาน (FM)
• Amazon Macie - ค้นหาและปกป้องข้อมูลที่ละเอียดอ่อนของคุณในทุกขนาด
• จุดการเข้าถึง Amazon Simple Storage Service (Amazon S3) - จัดเก็บในรูปแบบวัตถุที่สร้างขึ้นเพื่อเรียกค้นข้อมูลที่ต้องการจากทุกที่
• AWS Data Exchange – ค้นหา สมัครใช้งาน และใช้ข้อมูลของบุคคลที่สามในระบบคลาวด์ได้อย่างง่ายดาย
• AWS Clean Rooms – สร้างพื้นที่ปลอดภัยในไม่กี่นาทีเพื่อร่วมงานกับพาร์ทเนอร์โดยไม่ต้องแบ่งปันข้อมูลดิบ

เริ่มต้นใช้งานการกำกับดูแลข้อมูลบน AWS ด้วยการสร้างบัญชีฟรีวันนี้