数据虚拟化仅返回与查询相关的那些行

数据虚拟化提供了一个抽象层：隐藏数据来源和格式的复杂性；不复制数据，这使交付速度更快；并为迁移到云的公司提供了灵活性，因为它们可以切换数据源而不影响用户，敏捷商务智能，数据治理，逻辑数据湖和逻辑数据仓库，并且针对诸如政府，医疗保健以及石油和天然气等垂直行业而定制，解如何将该技术用于预测滑坡。

直到近数据湖和新数据平台的爆炸式增长

记录系统才建立了信任，代表了企业对真相的看法，并已用于官方合规性和有关业务整体健康状况的报告，一旦组织的数据在一个或多个数据湖中实现了民主化，对事实的看法就不再是二进制的，而是基于业务环境的，因此信任成为一种观点。

信任是很难量化的概念

作为个人，我们会根据生活经验来信任不同的事物，并且以原始的形式相信什么会使我们摆脱伤害，组织倾向于以相同的方式行事，使信任成为一种主观衡量，人工智能和机器学习技术可用于筛选大量数据并识别模式，从而衡量所显示信息的整体准确性，可以使用找到的模式来计算“信任措施”，但是由于信任的主观性质，“信任措施”的真正价值只能由人工监督和业务环境来确定，因此需要考虑的另一个因素是，只有在认为数据无偏见的情况下才能建立信任。

在没有陷入偏见的本质的情况下，组织需要接受这样一个事实

那就是偏见将永远存在，但是可以减轻它如何影响用于决策的信息，为了安全地实现信任的自动化，组织需要清楚地了解如何使用数据，使用数据的决策会影响数据的使用者，并确定可能对企业或个人造成损害的潜在因素，因此企业的业务分析师必须能够代表他们正在分析的数据，并提供他们的观点以减轻数据中不必要的偏差。

数据安全性和治理是安全地自动化信任所需的其他元素

从历史上看，组织内的治理工作是“经过深思熟虑”的，或者是在项目完成后应用于项目的一套单独的标准，企业需要创建一种以建立防护栏杆的方式并入治理的系统，以使团队能够在不受大型外部治理流程影响的情况下尽其所能，为了进一步采取措施，治理防护栏需要在组织的各个级别应用，以使团队能够自主运行并缓解集中治理结构中可能未注意到的问题。

由于信任的主题性质，自动信任对组织提出了一系列新挑战

企业必须更好地理解其数据中的偏见以及如何将不同的业务环境应用于该数据，借助AI机器学习和人工监督，无时无刻不在围绕着我们，组织可以更清楚地了解他们可以信任的信息和不信任的信息。

  客服热线：400-050-6600

商业联合会数据分析专业委员会