岗位职责:

（一）数据治理体系搭建与战略规划

1.主导制定事业部 AI 数据治理中长期战略与技术路线，结合业务场景（如政府审计、企业监管、智能决策等）明确数据治理目标、范围与优先级，对齐公司 AI 产品发展规划。

2.建立并迭代 事业部AI 数据治理标准体系，包括数据分类分级标准、元数据管理规范、数据质量评价体系、标注规范（如 NLP 文本标注、CV 图像标注、语音转写标注）、数据安全与合规准则，覆盖结构化、非结构化（文本、图像、语音）、半结构化及 AI 生成数据。

3.设计 AI 数据治理架构，参与数据治理工具链（如数据清洗工具、标注工具、质量监测工具、数据血缘分析工具）的规划与落地，推动治理流程自动化、智能化（如引入大模型辅助数据分类、清洗、标注）。

（二）AI 全生命周期数据治理实施

1.数据采集与预处理治理：主导 AI 训练 / 推理数据的采集策略设计，保障数据来源的合法性、多样性与平衡性；牵头数据清洗、去重、去噪、格式标准化工作，解决数据缺失、冗余、冲突等问题，优化数据可用性。

2.标注质量与流程治理：建立标注质量控制体系，制定标注流程规范、质量评估指标（如准确率、召回率、一致性），搭建标注审核机制（人工审核 + 算法校验），确保标注数据满足模型训练要求。

3.数据版本与生命周期管理：设计 AI 训练数据版本管理机制，记录数据迭代历史、版本差异及关联模型，支持版本回溯与复用；制定数据生命周期管理规则，明确数据存储、归档、销毁标准，优化存储资源配置。

4.数据漂移与质量监测：建立 AI 数据质量常态化监测体系，设计数据质量指标（完整性、准确性、一致性、时效性、唯一性、相关性）的监测方案，实时捕捉数据漂移（概念漂移、特征漂移）、分布异常等问题，推动数据质量持续优化。

5.数据安全治理：制定数据访问控制策略、加密传输与存储方案，落实数据分类分级保护要求，防范数据泄露、篡改、滥用风险，保障数据全流程安全。

（三）数据资产化与价值挖掘

1.牵头 AI 数据资产化建设，搭建数据目录、元数据管理体系，梳理数据血缘关系，建立数据资产标签体系，实现数据资产的可视化管理与高效检索。

2.挖掘数据资产价值，推动治理后的数据在 AI 模型训练、业务场景创新（如智能审计、智能监管、预测分析）中的复用，提升数据使用效率，降低 AI 开发成本。

3.建立数据治理成效评估体系，量化数据治理对模型性能（如准确率、召回率提升）、业务效率（如模型迭代周期缩短）、合规风险降低的贡献度。

（四）团队协作与技术赋能

1.对接算法团队、产品团队，明确 AI 数据需求（如训练数据量、场景适配性、数据格式），推动数据治理成果落地应用。

2.开展 AI 数据治理知识赋能，制定培训体系，向内部团队（算法、产品、运营）及合作伙伴传递数据治理标准、工具使用方法、合规要求，提升全员数据治理意识。

3.跟踪 AI 数据治理领域前沿技术趋势（如大模型辅助数据治理、自动化数据标注、智能数据质量诊断），引入创新技术与工具，优化治理流程与效率。

4.指导数据治理团队（如数据治理工程师、标注管理专员）开展工作，制定工作目标与考核标准，提升团队专业能力；参与核心技术方案评审，解决数据治理复杂技术难题。

任职要求:

（一）专业知识

1.数据治理核心知识：精通数据治理全流程框架，包括数据分类分级、元数据管理、数据质量体系（完整性、准确性、一致性等指标）、数据生命周期管理、数据血缘分析等；掌握结构化、非结构化（文本、图像、语音）、半结构化及 AI 生成数据的治理特性与方法。

2.AI 领域专业知识：熟悉 AI 全生命周期（数据采集、标注、训练、推理、退役）的数据流与治理需求；掌握机器学习 / 深度学习模型对训练数据的要求（如数据多样性、平衡性、标注精度）；了解数据漂移（概念漂移、特征漂移）的检测与应对方法；精通 NLP、CV、语音等领域的标注规范与质量评估标准。

3.合规与安全知识：了解《数据安全法》《个人信息保护法》《生成式人工智能服务管理暂行办法》、GDPR 等国内外数据相关法律法规及行业规范；了解数据合规评估方法（如隐私保护影响评估 PIA）、数据脱敏（匿名化、去标识化）、差分隐私、联邦学习等合规技术；了解数据分类分级保护、访问控制、加密传输与存储等安全治理方案。

4.技术工具知识：熟悉主流数据治理工具链，包括数据清洗工具（如 DataWrangler、Trifacta）、标注平台（如 LabelStudio、百度飞桨标注工具）、数据质量监测系统（如 Great Expectations）、元数据管理工具（如 Apache Atlas）、数据血缘分析工具；了解大数据处理技术（Hadoop、Spark）、数据库技术（关系型、非关系型数据库）；具备大模型辅助数据治理（如自动分类、智能清洗、标注审核）的相关知识者优先。

（二）业务技能

1.体系搭建能力：了解国家最新数据宏观政策，能够独立设计 AI 数据治理战略规划、标准体系（含数据分类分级、质量、标注、合规等规范）及技术架构，具备从 0 到 1 搭建数据治理体系的实操能力。

2.全流程治理执行能力：熟练开展 AI 数据采集策略设计、数据清洗与预处理、标注质量管控、数据版本管理、数据漂移监测等全生命周期治理工作；能够针对不同 AI 场景（如智能审计、智能监管、生成式 AI 产品）制定个性化数据治理方案。

3.工具选型与落地能力：具备数据治理工具链的选型、部署与优化能力，能够结合业务需求与技术架构，推动治理工具的集成与自动化落地；可主导或参与数据治理相关系统（如质量监测平台、标注管理系统）的需求设计与迭代优化。

4.数据分析与问题解决能力：能够设计数据质量评估指标体系，通过数据分析定位数据治理痛点（如数据缺失、标注不一致、数据漂移），并提出可落地的优化方案；具备复杂数据治理问题（如多源数据冲突、高维数据质量诊断）

的攻坚能力。

（三）工作经验

1.总体经验：5 年以上数据治理相关工作经验，其中至少 3 年 AI 领域（如机器学习、深度学习、生成式 AI）数据治理专项经验；具备政务数据、企业监管数据、金融数据等敏感数据治理经验者优先。

2.核心业务经验：具备 AI 数据治理体系搭建经验，主导过数据治理标准制定、流程优化或工具链落地项目。熟练掌握 AI 全生命周期数据治理流程，有大规模 AI 训练数据（千万级及以上）治理实操经验，能够独立解决数据质量、标注精度、数据合规等核心问题。

4.团队与管理经验：具备数据治理团队（如数据治理工程师、标注管理专员）的指导与管理经验，能够制定团队工作目标、考核标准，提升团队专业能力；具备跨部门项目协同推动经验，能够协调资源解决项目推进中的关键瓶颈。

（四）项目经验

1.至少主导 1 个以上大型 AI 产品（如智能知识问答、智能数据分析平台、生成式 AI 服务）的数据治理全流程项目，负责治理体系搭建、标准制定、工具落地及质量管控。

2.主导或核心参与过 AI 数据治理体系搭建项目，成功制定数据分类分级标准、数据质量评价体系、标注规范等核心文件，并推广落地，覆盖至少 2 个以上 AI 业务场景。

3.具备数据合规治理相关项目经验，参与过隐私保护影响评估（PIA）、数据脱敏改造、数据跨境传输合规等项目，确保项目通过相关合规审查，无重大合规风险事件。

4.主导或参与过数据治理工具链选型与落地项目，成功部署并优化数据清洗、标注管理、质量监测等工具，实现治理流程自动化或智能化。

5.具备政务数据、企业监管数据相关 AI 项目的数据治理经验者（如参与过省级及以上审计数字化平台、企业监管 AI 系统的数据治理工作），优先考虑。