Sie erstellen ein Governance-Framework zum Regulieren und Aufbereiten Ihrer Daten, indem Sie Governance-Artefakte in bereichsübergreifenden Arbeitsbereichen implementieren, die als Kategorien bezeichnet werden. Einige Typen von Governance-Artefakten dienen als Metadaten zum Aufbereiten von Datenassets. Andere Typen von Governance-Artefakten steuern den Zugriff auf Datenassets bzw. auf andere Artefakte.
Erforderlicher Service
IBM Knowledge Catalog
Sie verwenden Governance-Artefakte für folgende Zwecke:
Aufbereitung: Artefakte können Wissen und Bedeutung zu Assets hinzufügen.
Zugriff steuern: Artefakte können steuern, wer welche Daten oder welche Artefakte anzeigen kann.
Identifikation: Artefakte können als Kriterien zur Identifizierung von Assets oder Daten für andere Artefakte dienen.
Qualität: Artefakte können zur Überwachung der Datenqualität verwendet werden.
Sie können Kategorien und Governance-Artefakte aus einer oder allen der folgenden Quellen verwenden:
Vordefinierte Governance-Artefakte, die mit IBM Knowledge Catalog bereitgestellt werden
Angepasste Governance-Artefakte, die Ihr Governance-Team erstellt
In der folgenden Tabelle werden Kategorien und die einzelnen Typen von Governance-Artefakten kurz beschrieben und es wird angegeben, ob Elemente in Knowledge Accelerators vordefiniert oder verfügbar sind.
Kategorien organisieren Governance-Artefakte in einer hierarchischen Struktur, die Ordnern ähnelt. Mithilfe von Kategorierollen können Sie das Eigentumsrecht an Artefakten definieren, ihre Erstellung kontrollieren und ihre Sichtbarkeit einschränken.
Beispiele: Anzeiger für Geschäftserfolg, Geschäftsbereiche
Die Kategorie [uncategorized], die die vordefinierten Datenklassen und Klassifizierungen enthält
Die Kategorie Positionen, die die vordefinierten Referenzdatasets enthält
Geschäftsbedingungen implementieren ein gemeinsames Unternehmensvokabular, um die Bedeutung von Daten zu beschreiben. Sie erstellen Geschäftsbedingungen, um Klarheit und Kompatibilität zwischen Abteilungen, Projekten oder Produkten zu gewährleisten. Geschäftsbedingungen sind der Kern Ihres Governance-Frameworks und bilden in der Regel den Großteil Ihrer Governance-Artefakte. Sie können die Geschäftsbedingungen manuell den Datenspalten, Tabellen oder Dateien zuordnen oder sie automatisch während der Metadatenanreicherung zuweisen. Sie können Geschäftsbegriffe in Governance-Regeln und aktivierbaren Regeln verwenden, um die betroffenen Daten zu ermitteln.
Eingeschränkt: Vordefinierte Geschäftsbegriffe und die Kategorie 'Persönliche Beispieldaten von Knowledge Accelerator', die diese enthalten, sind nur verfügbar, wenn Sie nach dem 7. Oktober 2022 eine Watson Knowledge Catalog -Serviceinstanz mit einem Lite-oder Standard-Plan erstellen. Weitere Informationen finden Sie unter Vordefinierte Geschäftsbegriffe.
Jeder Knowledge Accelerator stellt viele Geschäftsbegriffe bereit.
Datenklassen klassifizieren Daten basierend auf Struktur, Format und Wertebereich der Daten. Datenklassen werden während der Profilerstellung und der Metadatenanreicherung automatisch den übereinstimmenden Datenspalten zugewiesen. Sie können Datenklassen erstellen, indem Sie Übereinstimmungskriterien mit einem Ausdruck oder einem Referenzdatensatz definieren. Sie können Beziehungen zwischen Datenklassen und Geschäftsbedingungen erstellen, um das Datenformat mit der Geschäftsbedeutung zu verknüpfen. Zugehörige Geschäftsbedingungen werden den Daten automatisch zusammen mit den zugehörigen Datenklassen zugewiesen. Die Übereinstimmung von Spalten mit ihren Datenklassenkriterien trägt zur Analyse der Datenqualität bei. Bevor Sie über einen robusten Satz von Geschäftsbedingungen verfügen, können Sie Datenklassen in durchsetzbaren Regeln verwenden, um die betroffenen Daten zu identifizieren.
Referenzdatensätze definieren Standardwerte für bestimmte Datentypen, um Daten zu klassifizieren und ihre Konsistenz zu messen. Referenzdatensätze dienen als Referenztabellen, die Codes und Werte zuordnen. Sie können ein Referenzdataset in die Definition einer Datenklasse als Teil der Datenabgleichskriterien aufnehmen. Einige Referenzdatensätze werden von Organisationen wie der International Organization for Standardization (ISO) standardisiert. Referenzdaten können hierarchisch sein oder über verwandte Datensätze hinweg zugeordnet werden.
Klassifikationen beschreiben bestimmte Merkmale der Bedeutung von Daten. Vordefinierte Klassifikationen beschreiben die Sensibilität der Daten. Sie können Klassifikationen erstellen, um andere Merkmale von Daten oder anderen Governance-Elementen zu beschreiben. Knowledge Accelerators verwenden beispielsweise Klassifikationen, um Geschäftsbedingungen zu klassifizieren. Sie können Klassifikationen zum Erstellen von Governance-Richtlinien und -Regeln verwenden. Normalerweise verknüpfen Sie mehrere Geschäftsbedingungen mit jeder Klassifikation, und die Daten werden dann indirekt über die ihnen zugeordneten Geschäftsbedingungen klassifiziert. Sie können einem Datenasset auch manuell eine Klassifizierung zuordnen.
Richtlinien beschreiben, wie Datenassets verwaltet und geschützt werden. Sie erstellen Richtlinien, indem Sie Regeln und Unterrichtlinien kombinieren. Sie können Datenschutzregeln in Richtlinien aufnehmen, um Daten zu steuern und zu verwalten. Richtlinien haben jedoch keine Auswirkungen auf die Durchsetzung von Datenschutzregeln. Sie können Governance-Regeln in Richtlinien einschließen, um Standards und Prozeduren zu dokumentieren.
Beispiel: Vereinbarung über die gemeinsame Datennutzung
Governance-Regeln beschreiben, wie eine Richtlinie angewendet wird. Governance-Regeln stellen eine Beschreibung der Kriterien in natürlicher Sprache bereit, mit denen ermittelt wird, ob Datenassets mit Geschäftszielen konform sind. Governance-Regeln werden von IBM Knowledge Catalog nicht umgesetzt. Sie können jedoch Governance-Regeln mit durchsetzbaren Regeln verknüpfen, z. B. mit Datenschutzregeln und Regeln für die Datenqualität.
Datenschutzregeln definieren, wie der Zugriff auf Daten basierend auf Benutzern und Asseteigenschaften und zugeordneten Governance-Artefakten gesteuert wird. Datenschutzregeln definieren, wer welche Daten anzeigen kann. In Datenschutzregeln können Sie Klassifikationen, Datenklassen, Geschäftsbegriffe oder Tags einfügen, um die zu steuernden Daten anzugeben. Sie geben an, dass der Zugriff auf Daten verweigert oder sensible Datenwerte maskiert werden sollen. Datenschutzregeln werden automatisch nur in regulierten Katalogen umgesetzt. Datenschutzregeln werden nicht nach Kategorien organisiert oder gesteuert.
Beispiel: Maskieren von Spalten, denen der Geschäftsbegriff 'Passport Identifier' zugeordnet ist.
SLA-Regeln für die Datenqualität überwachen die Datenqualität kritischer Datenelemente auf die Einhaltung bestimmter Qualitätskriterien und können im Falle von Verstößen Abhilfeworkflows auslösen. Sie wählen die zu überwachenden Datenbestände und Spalten nach Namen oder nach zugeordneten Geschäftsbegriffen aus. SLA-Einhaltung und -Verletzungen werden auf der Seite Datenqualität eines Datenbestands gemeldet. Die SLA-Regeln für die Datenqualität sind nicht nach Kategorien organisiert oder gesteuert.
Beispiel: Melden Sie einen Verstoß, wenn der Wert der Dimension Vollständigkeit für die Spalte ACCOUNT_ID im Datenbestand BANK_ACCOUNT unter 99 % fällt, und lösen Sie den Standard-Workflow zur Behebung aus.
Keine
Keine
Governance-Artefakte gelten für IBM Knowledge Catalog -Kataloge in demselben IBM Cloud -Account.
Sie müssen über die spezifischen Cloud Pak for Data-Serviceberechtigungen verfügen, um mit Governance-Artefakten arbeiten zu können. Weitere Informationen finden Sie unter Erforderliche Berechtigungen.
Bei einigen IBM Knowledge Catalog -Plänen ist die Anzahl der Governance-Artefakte eines bestimmten Typs, die Sie erstellen können, begrenzt.
In diesem kurzen Video werden Sie über die Richtlinienfunktionen informiert.
Dieses Video bietet eine visuelle Methode zum Erlernen der Konzepte und Tasks in dieser Dokumentation.
Use this interactive map to learn about the relationships between your tasks, the tools you need, the services that provide the tools, and where you use the tools.
Select any task, tool, service, or workspace
You'll learn what you need, how to get it, and where to use it.
Some tools perform the same tasks but have different features and levels of automation.
Jupyter notebook editor
Prepare data
Visualize data
Build models
Deploy assets
Create a notebook in which you run Python, R, or Scala code to prepare, visualize, and analyze data, or build a model.
AutoAI
Build models
Automatically analyze your tabular data and generate candidate model pipelines customized for your predictive modeling problem.
SPSS Modeler
Prepare data
Visualize data
Build models
Create a visual flow that uses modeling algorithms to prepare data and build and train a model, using a guided approach to machine learning that doesn’t require coding.
Decision Optimization
Build models
Visualize data
Deploy assets
Create and manage scenarios to find the best solution to your optimization problem by comparing different combinations of your model, data, and solutions.
Data Refinery
Prepare data
Visualize data
Create a flow of ordered operations to cleanse and shape data. Visualize data to identify problems and discover insights.
Orchestration Pipelines
Prepare data
Build models
Deploy assets
Automate the model lifecycle, including preparing data, training models, and creating deployments.
RStudio
Prepare data
Build models
Deploy assets
Work with R notebooks and scripts in an integrated development environment.
Federated learning
Build models
Create a federated learning experiment to train a common model on a set of remote data sources. Share training results without sharing data.
Deployments
Deploy assets
Monitor models
Deploy and run your data science and AI solutions in a test or production environment.
Catalogs
Catalog data
Governance
Find and share your data and other assets.
Metadata import
Prepare data
Catalog data
Governance
Import asset metadata from a connection into a project or a catalog.
Metadata enrichment
Prepare data
Catalog data
Governance
Enrich imported asset metadata with business context, data profiling, and quality assessment.
Data quality rules
Prepare data
Governance
Measure and monitor the quality of your data.
Masking flow
Prepare data
Create and run masking flows to prepare copies of data assets that are masked by advanced data protection rules.
Governance
Governance
Create your business vocabulary to enrich assets and rules to protect data.
Data lineage
Governance
Track data movement and usage for transparency and determining data accuracy.
AI factsheet
Governance
Monitor models
Track AI models from request to production.
DataStage flow
Prepare data
Create a flow with a set of connectors and stages to transform and integrate data. Provide enriched and tailored information for your enterprise.
Data virtualization
Prepare data
Create a virtual table to segment or combine data from one or more tables.
OpenScale
Monitor models
Measure outcomes from your AI models and help ensure the fairness, explainability, and compliance of all your models.
Data replication
Prepare data
Replicate data to target systems with low latency, transactional integrity and optimized data capture.
Master data
Prepare data
Consolidate data from the disparate sources that fuel your business and establish a single, trusted, 360-degree view of your customers.
Services you can use
Services add features and tools to the platform.
watsonx.ai Studio
Develop powerful AI solutions with an integrated collaborative studio and industry-standard APIs and SDKs. Formerly known as Watson Studio.
watsonx.ai Runtime
Quickly build, run and manage generative AI and machine learning applications with built-in performance and scalability. Formerly known as Watson Machine Learning.
IBM Knowledge Catalog
Discover, profile, catalog, and share trusted data in your organization.
DataStage
Create ETL and data pipeline services for real-time, micro-batch, and batch data orchestration.
Data Virtualization
View, access, manipulate, and analyze your data without moving it.
Watson OpenScale
Monitor your AI models for bias, fairness, and trust with added transparency on how your AI models make decisions.
Data Replication
Provide efficient change data capture and near real-time data delivery with transactional integrity.
Match360 with Watson
Improve trust in AI pipelines by identifying duplicate records and providing reliable data about your customers, suppliers, or partners.
Manta Data Lineage
Increase data pipeline transparency so you can determine data accuracy throughout your models and systems.
Where you'll work
Collaborative workspaces contain tools for specific tasks.
Project
Where you work with data.
> Projects > View all projects
Catalog
Where you find and share assets.
> Catalogs > View all catalogs
Space
Where you deploy and run assets that are ready for testing or production.
> Deployments
Categories
Where you manage governance artifacts.
> Governance > Categories
Data virtualization
Where you virtualize data.
> Data > Data virtualization
Master data
Where you consolidate data into a 360 degree view.
Über den Einsatz von Cookies auf dieser WebsiteUnsere Websites benötigen einige Cookies, um ordnungsgemäß zu funktionieren (erforderlich). Darüber hinaus können mit Ihrer Zustimmung weitere Cookies verwendet werden, um die Nutzung der Website zu analysieren, die Benutzerfreundlichkeit zu verbessern und Werbung zu schalten.Weitere Informationen finden Sie in Ihren Cookie-Benutzervorgaben. Durch den Besuch unserer Website erklären Sie sich mit der Verarbeitung von Informationen einverstanden, wie in der IBMDatenschutzbestimmung beschrieben.Um eine reibungslose Navigation zu ermöglichen, werden Ihre Cookie-Präferenzen über die hier aufgeführten IBM Web-Domains hinweg gemeinsam genutzt.