近期，源启数据治理判定台（DataGov Studio）正式发布。针对数据治理海量语义判定难题，传统规则引擎维护迭代成本高，通用大模型输出不稳、审计溯源难等痛点。平台基于System One技术路线，将治理判断拆解为封闭空间原子问题，一次调用实现多任务并行裁决。
融合大模型语义理解与规则引擎可审计优势，支持零训练切换监管口径、灵活选配后端模型，搭建“模型 + 规则 + 人工复核 + 审计留痕”多层防线，为银行、证券、能源等强监管行业，输出准确、可信、可规模化的数据治理智能化方案。
数据治理工作中，充斥着大量基于业务语义的判定工作：这条字段是否属于个人信息？这份数据应该划分为什么安全等级？这份访问申请是否满足最小必要原则？
类似这样的裁决每天成千上万次发生。答案范围预先确定、可枚举，它们不是开放式的文本创作，而是“从有限选项里选一个”的裁决。
过去，这类判断通常依靠规则驱动的自动化来实现，但规则维护成本高、覆盖面总有漏洞、标准一改就要全部重写，越迭代越笨重；如果采用通用大模型，虽具备语义理解能力，能覆盖各类长尾场景，但成本高、响应慢、结果不稳定。输出的是自由文本，需要二次解析处理，想要稳定复现结果、逐条审计溯源更是难上加难。
封闭答案空间 + 三原语
一次调用，并行裁决九类治理任务
功能介绍
平台摒弃“自由文本生成”模式，而是把每个决策都转化为封闭答案空间中的原子问题，包含三类原语：
■ Choice单选：从选项集合中单选，最多255项，必带other兜底；
■ Score量表打分：2–10级分级评分，每一档位边界清晰可定义；
■ Noul是非判定：输出0–1区间“为真”概率，可直接返回“数据不足”结果。
同一份数据资产可对多个问题做独立并行评估。从数据分类，扩展至敏感等级、脱敏策略、泄露风险评估，仅需新增问题定义，几乎不增加响应时延。输出严格限定在预设选项内，不会出现格式错乱、超出schema的异常结果。
平台内置九大治理能力：数据分类分级、敏感识别与脱敏、数据质量打分（五维，对齐 GB/T 36344）、元数据补全、合规审计、异常与漂移检测、GDPR跨境传输路径、BCBS 239风险数据能力审计、JR/T 0223数据生命周期防护。
平台内置九大治理能力
场景应用
在数据入湖、数据资产盘点、监管报送等场景，一份元数据往往需要完成十余项判定。传统模式下是“一个问题一条链路、一个模型一次调用”，成本、时延随任务数量线性攀升，还需要反复处理异常输出。
该能力将“多次串行调用”优化为“单次并行采样”，节约Token开销，规避解析、重试风险，实现“一次判定、全字段批量打标”，低置信度结果自动流转至人工复核队列。
场景判定——逐条明细含概率条、置信度与耗时
零训练定制
治理口径变了，改一段指令文本就行
功能介绍
平台内置“提示词实验室”，支持在线编辑判定指令与选项，保存生成自定义模板，可复用同一批数据重跑判定，通过A/B测试直观对比准确率变化。
判定标准配置在请求指令中，而非固化于训练数据。新增业务类型、调整敏感等级边界、补充硬约束规则，无需重新标注、无需模型训练、无需停机发版。
平台配套9套现成规范标准包，覆盖数据安全分级、个人金融信息保护、数据分类分级、银保机构数据安全管理、证券期货业数据分类分级、支付卡行业安全、跨境数据保护、联邦信息处理及征信管理等领域；切换模板即可变更判定口径，完成真值映射，零训练快速适配监管要求。同时另附20份监管、国标及国际规范参考库，供查阅对标。
场景应用
监管口径更新、行业标准换版、企业内部标准细化调整，是数据治理工作的常态。传统模型标签集在训练时固定，修改口径就要重复开展标注、训练全流程，周期冗长。
该能力将治理口径从模型权重释放到配置层，业务人员能看懂、能修改、能对比、能回滚，模型仅负责按照既定口径完成语义裁决。大幅缩短合规标准落地周期，每一条判定结果都有据可依，做到判定逻辑可追溯。
提示词实验室——模板编辑与 A/B 准确率对比
多后端模型
同一套问题定义，同题可比、一键可换
功能介绍
平台基于统一内部契约（`{state, questions}`），兼容三类后端模型，支持界面一键切换，实现同一套问题下的效果横向对比。
其中两款属于System One技术路线，专注封闭空间判定、不生成自由文本，将概率作为一等输出：
■ JEV 官方（TypeSafe API）：该路线首款公开产品，在准确率、概率校准、响应速度、使用成本上综合表现突出；
■ SemIf（内网自持）：System One开源复刻版本，基于qwen3.5‑4b底座，效果比肩生成式大模型，输出真实概率、无输出Token，保障敏感数据不出内网；
■ DeepSeek‑V4‑Flash（内网部署）：通用生成式大模型，不作为主判定引擎，用于长尾、非封闭类问题兜底，缺点是响应慢、产生Token消耗，无原生概率输出。
三类模型的协议适配、重试策略、密钥管理全部收敛在服务端。密钥存放于服务端环境变量，不会暴露至前端，浏览器不直接对接模型接口，筑牢安全底线。
场景应用
“能不能把客户的字段描述发到公网模型？”，这是数据治理项目中经常被合规部门驳回的现实难题。
借助多后端模型能力可灵活选型：非敏感的高频语义判定选用JEV官方API；涉及核心敏感数据，就切换内网SemIf；遇到复杂长尾场景，启用内网生成大模型兜底。全程复用同一套问题定义与评判标准，效果可横向对比，按需切换，兼顾业务判定效果与数据安全边界。
方案对比——一致率、各方准确率与分歧样本的规则证据
概率是一等输出
低置信转人工，构筑真实可落地的安全防线
功能介绍
平台每条判定结果都会同步输出概率与置信度，配套完整的校准监控看板，包含可靠性图（置信度‑实际正确率对照）、ECE误差指标、置信度分布、阈值策略模拟器，可查看队列占比与自动放行准确率双轴曲线。
治理团队能够量化评估两大问题：低置信流转人工究竟可以拦截多少误判？潜在漏放比例为多少。当业务数据发生分布漂移时，还可定期重跑评估，持续监测模型校准效果是否退化。
场景应用
在金融强监管场景下，“模型给出判定结果”和“模型识别自身判断存在风险”是完全不同的两件事。
实测数据表明：JEV官方模型正确结果置信度集中在0.88‑0.97，错误结果大多落在0.53‑0.88区间；内网SemIf模型正确判定平均置信度为0.906，错误判定均值为0.586，15条错误样本中有11条落入0.60以下低置信队列。
由此可见，低置信转人工不再是一句口号，而是依靠阈值模拟器调参、ECE指标监控守护的工程化防线。需要特别说明：模型仅承担语义判定工作，不可单独作为唯一安全边界。
校准监控——可靠性图、ECE 与阈值策略模拟器
规则 + 模型混合判定
硬标识符交给正则，语义歧义交给模型
模型输出属于概率化判断，但权限、脱敏、放行等业务，要求结果100%确定。概率防线可以规避大部分高概率错误，却无法杜绝极小概率的遗漏，这也是平台不替代规则引擎的原因：格式明确的硬约束交由代码处理，模型专注擅长的语义裁决。
功能介绍
平台内置确定性规则引擎，身份证、银行卡、手机号、邮箱、GPS等实体标识符，优先通过正则代码识别，再结合模型语义结果完成联合裁决，依靠规则弥补模型漏判。
百分比→档位、日期差→新鲜度等确定性换算逻辑全部固化在代码层，不交由模型处理。资产目录还支持个人身份信息（PII）敏感数据脱敏效果预览，针对样本直接演示加密、掩码、泛化、截断策略，做到所见即所得；出现判定分歧时，留存完整仲裁取证材料。
场景应用
纯模型方案，容易在“董事姓名不等同普通个人姓名”“已脱敏字段不属于新增PII”这类语义与形态交织的场景出现误判；而纯规则方案，又很难穷尽现实世界千变万化的业务表述。
混合判定模式融合两者优势：格式特征明确的数据，依靠代码实现零漏判与零幻觉；复杂模糊的业务语义，则交给模型结合上下文解读。当规则与模型结论出现冲突，系统留存完整可追溯的仲裁证据，对脱敏引擎、权限门控这类强确定性要求的下游系统尤为重要。
资产目录——打标结果、规则命中与脱敏效果预览
全链路留痕 + 人工复核闭环
每一次判定都可审计、可沉淀
功能介绍
平台将每一次模型调用完整落库存档，记录调用的后端模型、判定模板、逐条问题的结论、概率与置信度、响应耗时、Token消耗、时间戳等全部信息。历史审计页面支持查询全部运行记录，并可导出CSV文件。
人工复核工作台划分判错、低置信、无有效信号三类待处理队列。复核人员可对结果确认或手动改判，修正后的结果沉淀为金标样本。系统自动统计模型与人工的判定一致率，量化评估改判带来的准确率提升。
场景应用
数据治理工作需要接受合规审计，谁在什么时间、用什么标准、对哪条资产、做出了什么判定、置信度多少、有没有人工介入，所有细节都要支持事后逐条溯源。
人工复核不单单用于纠错，更是一套低成本的数据增长飞轮。人工改判沉淀的金标样本，可反哺提示词优化、补充边界测试用例，让产品准确率在实际业务使用中持续迭代提升，效果不会止步于项目交付时刻。
历史与审计——逐条判定、置信度与转人工建议
效果实测
180 项判定 × 三个后端模型同题对比
基于同一套评测集开展对比测试：共72份数据资产，每份包含1‑4个原子判定问题，合计180项判定任务；评测输入包含表用途、数据类型、抽样字段值、数据行数等完整业务上下文，采用枚举式指令。
本次选取两组System One技术路线实现（JEV 官方、SemIf），搭配生成式大模型 DeepSeek‑V4‑Flash 作为对照组，完成同数据集横向实测。
源启数据治理判定台搭建起四层安全防线：由模型专注语义理解判定，规则引擎严守确定性硬边界，人工复核兜底低置信与高风险案例，审计留痕完整记录每一条判定结论、概率数值及人工操作痕迹，实现全流程可追溯、金标样本持续沉淀。
真正做到：把适合模型处理的判断交给模型，把必须代码保障的边界还给代码，把需要人承担的责任留给人。推动数据治理智能化，从单纯实现“可以自动判定”，迈向生产环境下“敢放心落地使用”。
产品介绍
源启数据治理判定台是基于System One 模型打造的数据分级分类治理平台。输入表、字段元数据以及字段抽样值，即可输出判定结论、对应概率以及置信度。
判定标准（提示词）可在线修改、无需重新训练，后端模型可随时切换，每一次判定、概率、所用后端模型与审计信息全部落库留存，全程可追溯。平台内置九类治理判定能力，地位平等、不分主次，共用同一套问题原语、判定流水线与准确率口径，新增治理任务仅需补充问题定义即可。
平台把治理决策拆解为Choice（单选）、Score（量表打分）、Noul（是非判定）三类问题原语。同一份数据资产，一次调用就可以并行完成全部问题裁决，新增判定任务几乎不会增加响应延迟。
● 适用行业：银行、保险、证券、基金、能源、制造等数据密集与强监管行业
● 应用技术：System One模型、封闭答案空间并行采样、正则硬标识符识别、概率校准与ECE监控、混合裁决架构
● 应用场景：数据分类分级、敏感识别与脱敏、数据质量打分、元数据补全、合规审计、异常与漂移检测、GDPR跨境传输路径、BCBS 239风险数据能力审计、JR/T 0223数据生命周期防护，支持高吞吐批量分类管线
往期推荐
中电金信参编的团体标准《商业银行应用程序接口治理能力要求》正式发布
产品升级｜源启数据建模平台重新定义企业数据建模体验
行业智观｜深度解读《“人工智能+软件”专项行动实施方案》
技术深潜｜代码生成提速，交付却未见改善？答案藏在“治理流”里
实践手札｜从需求治理底座到AI需求专家助手：源启如何让需求文档成为可决策资产
