<b>Data Quality as a Service (DQaaS): A Paradigm Shift in </b> <b>Enterprise Data Management </b>
Notice bibliographique
Résumé
The data environments found in enterprises continue to be plagued by incompleteness, inconsistency, duplication, staleness, and distributional drift, which directly impact decision-making, the performance of machine learning, and regulatory compliance. Conventional data-quality strategies that may be as narrow as semi-static rules or as inefficient as manually cleaning data cannot address the speed and variety of modern pipelines. This paper suggests Data Quality as a Service (DQaaS). This paradigm shift redefines quality as a provision-managed, cloud-native capability that provides through APIs, contracts, and measurable service level objectives (SLOs). DQaaS incorporates declarative rules, statistical anomaly detectors, and machine learning models under a common multi-tenant platform and delivers round-the-clock monitoring, lineage-enabled diagnostics, and remediation as a service. The contributions that this work has can be classified in four ways. It is first to present a reference architecture that has control and data planes in both the streaming and batch pipelines. It formalizes measures of service level indicators (SLIs), SLOs, and error budgets on the critical dimensions of completeness, validity, timeliness, and accuracy. It makes contracts and schema evolution operational in CI/CD pipelines, in a compatible and accountable way between producers and consumers. It also tests DQaaS using enterprise datasets across ERP, CRM, and streaming data, clearly highlighting improvements in reliability, incident recovery times, and business performance with very little latency overhead. The results show how DQaaS can turn ad hoc quality activities into a scalable and bureaucratically enforceable service that is economically sustainable, with technical assurance, governance, and organizational objectives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».