近年以来，大模型、智能问答、智能体等AI应用快速发展，很多企业都在积极探索如何将AI能力融入业务场景。那么，在AI时代，数据治理和数据仓库如何顺应时代发展呢？

过去二十年，企业围绕数据建设逐步形成了一套成熟的方法体系，形成了数据仓库（中台），通过BI和报表进行业务赋能。然而，在智能化时代，这些是远远不够的，现在的数据治理体系并不足以让AI真正理解企业业务。换句话说，不能被AI通过消耗Token方式消费的数据平台，是没有未来的。

从管理数据到管理知识：企业语义探索之路

企业在过去很多年里一直在探索如何让数据承载更多业务知识。最早，人们通过数据资产目录、元数据管理等方式，对数据进行分类、标注和管理，希望让数据更容易被发现和理解。

近年来，随着大模型和生成式AI的发展，RAG（Retrieval-Augmented Generation）知识库成为热门方向。很多企业尝试将制度文档、业务手册、指标说明等内容导入知识库，希望AI能够通过检索增强的方式回答业务问题。

与此同时，本体模型（Ontology）也受到越来越多关注，数语科技也推出了DOM本体系统，它通过定义概念、关系和规则，构建企业知识网络，为知识推理和智能分析提供基础。

这些探索虽然路径不同，也各有优缺点，但本质上都在解决同一个问题：如何让企业知识能够被机器理解和使用。

本文介绍另一种受到广泛关注的知识管理的方法，就是（逻辑）语义模型。

什么是语义模型？

语义模型（Semantic Model）并不是一个新概念，但是在AI时代变得更加重要。早在数据仓库和商业智能（BI）发展的过程中，人们就开始尝试在底层数据结构与业务应用之间建立一层统一的业务语义，用来解决不同系统、不同报表之间口径不一致、理解不一致的问题。

随着企业数据规模不断扩大，以及云计算、数据中台和AI技术的发展，语义模型的价值被重新认识。近年来，国际上出现了OSI（Open Semantic Interchange）等开放语义理念，希望建立跨平台、跨系统共享的统一语义标准，让语义能够像数据一样被交换、共享和复用。

从内容上看，语义模型主要用于统一描述企业的业务知识，包括业务实体、业务术语、指标口径、业务规则以及实体之间的关系等内容，并将这些定义沉淀为统一的语义资产。

语义模型（Open Santic Model）

开放语义模型（Open Semantic Model），简称OSM，是数语科技制定的企业级语义模型标准，并由其数据建模工具DDM提供设计、管理和落地支持。

OSM借鉴了近年来国际上开放语义领域的发展成果，同时结合数语在数据模型和本体模型的数十年的积累，希望建立一种开放的本体化、标准化的语义描述方式，使企业能够将数据模型升级到业务语义模型，实现跨平台共享、跨系统复用以及面向AI的统一消费。

本体化语义模型主要包含以下内容：

• 指标与度量（Metrics）：定义业务指标及其计算逻辑，以及与业务实体之间的关系。

• 业务实体（Business Entities）：定义业务口径中的实体。如客户、产品、订单、合同、设备、组织等核心业务实体。

• 属性（Attributes）：描述业务对象的关键属性及业务含义。

• 关系（Relationships）：定义对象之间的业务关系，如隶属、拥有、参与、依赖、影响等。

• 映射（Mapping）：定义业务实体与物理表（或视图）之间的映射关系，用来做数据查询引擎。

• 业务规则（Business Rules）：沉淀企业运营规则、约束条件和业务逻辑。

在规范方面，本体化语义模型通常遵循国际知识表示与语义建模标准，包括：

• OSI（Open Semantic Intercharge, yaml) : 开放语义交互协议的yaml格式。

• RDF（Resource Description Framework）：资源描述框架，用于统一表达实体及其关系。

• OWL（Web Ontology Language）：用于构建企业本体模型和复杂业务规则。

 《DDM中的语义模型》

数语基于OSM，还提供通用数据查询系统，将企业统一语义层与自然语言交互能力深度融合，实现统一问数与数据探索分析。当前市场上不少方案采用Text2SQL、Text2DSL再转换为SQL等技术路线，虽然能够实现自然语言到查询语句的转换，但往往缺乏统一、完整的企业语义模型支撑，对业务概念、指标口径、规则关系和跨系统数据关联的理解能力有限，容易出现语义歧义、查询结果不一致以及复杂业务场景适配困难等问题。实践证明，无论采用哪个toSQL的路线，最后的瓶颈都是语义上下文的缺失。因此通过OSM实现的问数从准确率到开放性能力都要上一个台阶。

《基于语义模型的数据查询系统》

如何从数据模型走向语义模型

对于很多国内企业来说，数据模型建设并不陌生。

过去十多年，企业围绕数据资产建设，逐步形成了从业务系统到数据仓库、从数据标准到指标体系的完整方法论。尤其是在数据治理领域，很多企业已经建立了较为成熟的五级数据架构体系，通过概念模型、逻辑模型、物理模型以及数据标准等方式，实现了数据资产的规范化管理。

这些建设成果并不会因为AI时代的到来而失去价值，企业过去积累的数据模型和治理成果，正在成为构建智能化能力最重要的基础。

对于DDM而言，我们认为企业级语义模型建设可以分阶段推进。

第一步，基于现有数据模型、数据标准和指标体系，建立统一的业务术语和语义定义；

第二步，将业务实体、指标口径、业务规则等内容纳入统一管理，形成企业级语义资产库；

第三步，通过开放标准实现语义共享与复用，支撑跨系统、跨平台的数据协同；

第四步，将语义模型与AI应用结合，为智能问答、智能分析、智能体等场景提供统一知识底座；

最终，逐步构建覆盖数据、语义和知识的企业级智能数据架构。

从数据模型走向语义模型，并不是一次技术替换，而是一次数据资产价值的延伸。将过去建设的数据底座，升级为企业需要建设的知识底座。

写在最后

AI不会取代数据治理，也不会取代数据仓库。但AI的出现，正在重新定义它们的价值。

从数据到语义，从资产到知识，这不仅是技术架构的演进方向，也是数据治理和数据仓库在AI时代最重要的发展方向。