Yixin Huachen Releases Ruizhi OPT Multimodal Data Governance Platform, Adopting an AI-Native Architecture

2026年10月30日,亿信华辰正式发布新一代数据治理产品——睿治OPT多模态数据治理平台。该平台采用 AI 原生架构,内置 30 余个数据治理专家智能体、50 余项治理技能与 100 余个知识库,并将元数据、数据标准、数据质量、主数据、数据分析等治理能力统一封装为命令行接口(CLI),面向结构化与非结构化数据提供从采集汇聚到场景交付的全链路治理能力。

亿信华辰副总经理金正平在发布会上表示,制约 AI 应用落地的往往不是模型能力,而是数据标准不统一、质量不达标、非结构化数据难以治理等基础问题;数据治理工具也因此正从"人找功能"的软件时代,转向由 AI 交付结果的原生时代。

据发布会介绍,数据治理工具经历了四个阶段:一是全人工手工处理,灵活但不可复制、易出错;二是以规则引擎和流程固化为特征的传统软件工具,实现了标准化与可追溯,但工具之间相互割裂、以事后治理为主;三是在传统工具上叠加 AI 能力,仅实现部分环节的自动化;四是当前的 AI 原生架构,由智能体承担需求理解、方案设计、任务拆解与执行交付。前三代的共同局限在于自动化程度有限、高度依赖人的经验积累,且难以沉淀为可复用的组织能力。

金正平将 AI 时代数据治理面临的挑战概括为三个方面:通用大模型缺乏数据治理领域知识,存在幻觉,治理结果难以直接采信;AI 应用强依赖数据治理,而治理建设本身周期长、过程难以标准化;传统工具难以处理文档、图像、音视频等非结构化数据,而大模型训练所需的高质量数据集,强依赖多模态治理能力。

四层架构:专家库、技能库与知识体系构成"数治超脑"

睿治OPT采用四层架构。AI 交互层提供多轮对话、流式响应与任务状态管理,用户以对话方式表达需求;数治超脑层由专家库、技能库与知识体系构成,专家覆盖需求调研、治理规划、数据架构、模型设计、数据开发、数据标准、数据质量、数据资产、数据安全、数据服务与治理评估等角色,知识体系涵盖 DAMA-DMBOK2、DCMM 2.0、行业规范、法律法规及多行业项目实践;智能体平台层负责大模型调度、任务编排、专家协同与工具调用;治理功能层则将原有治理模块 CLI 化,形成睿治CLI、睿码CLI、ABI CLI 三类命令入口,支持结构化 JSON 输出与统一鉴权,便于第三方平台集成调用。

平台提供全自动执行、人机协同、人工修订三种工作模式。在全自动模式下,用户提出需求后由平台完成意图理解、任务拆解与专家调用;在人机协同模式下,平台在关键信息缺失时主动暂停并提示补充,任务进度与执行过程实时可见,异常任务可随时中止;在人工修订模式下,AI 生成的治理成果可由业务人员直接编辑保存,无需重新发起指令。

多模态治理:覆盖六个环节,形成"治理—数据集—应用"闭环

针对非结构化数据,睿治OPT的治理流程覆盖采集汇聚、处理融合、多模态治理、标注增强、资产运营与场景化交付六个环节,支持跨模态字段级血缘溯源、多模态标准落标、图文语义一致性校验,以及图像框选分割、文档实体抽取、音视频切片、大模型预标注与合成扩样等标注能力。分类分级、敏感识别、脱敏处理与操作留痕贯穿治理全过程。

在此基础上,平台形成"多模态数据治理—高质量数据集—AI 应用—效果验证—治理优化"的闭环:治理输出高质量数据集,数据集支撑模型训练与推理,应用效果反向验证数据集质量与治理水平,进而驱动数据集持续迭代。

场景演示:一个供应商数据治理项目的四步交付

发布会现场演示了一个完整的供应商数据治理项目。平台依据用户输入的项目背景、周期要求及上传的工作说明书与调研报告,生成任务清单与项目路线图;随后完成数据源接入、元数据采集、数据标准制定与数据建模,其中在检测到数据源连接配置信息缺失时主动暂停,引导用户补齐并测试连接;再将对象存储中的证照图像信息与供应商主数据关联,形成多模态数据集并发布为数据资产;最终结合数据分析能力生成供应商分析报告,呈现供应商信息完整度、类型分布及证照临期、过期等风险预警。

"1×M×N":提出 AI 原生交付模式

发布会上,金正平提出"1×M×N"的 AI 原生交付模式:1 名项目负责人负责决策与结果担责;M 个专家智能体分别承担需求调研、架构设计、数据开发、质量稽核、安全合规与资产运营等角色;N 套技能包按任务需要即插即用、灵活组合。

据介绍,数据治理交付模式的这一变化,也将影响行业供给结构:交付能力不再完全取决于团队规模,而更多取决于专家经验与知识资产的沉淀程度。