Scalable Data Governance Models for AI-Powered Computing Architectures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AI-powered computing architectures spanning cloud, edge, and on-device accelerators demand data governance models that scale across velocity, heterogeneity, and divergent regulatory regimes. This paper proposes a layered, policy-driven governance framework that separates a global control plane from distributed data planes to enable consistent enforcement with local autonomy. At the foundation, a metadata-centric “governance fabric” unifies catalogs, lineage, quality signals, and data contracts; on top, policy-as-code encodes access, purpose limitation, retention, and residency using declarative rules and continuous compliance checks. We synthesize patterns from data mesh and federated governance to support domain ownership without sacrificing enterprise guardrails, and introduce reference architecture with event-driven controllers, attribute-based access control, and consent/state propagation across services and models. For AI lifecycle coverage, the model extends to feature stores, embeddings, and artifacts, capturing provenance, drift, and evaluation results as first-class governance objects. Scalability is analyzed along organizational (domain autonomy, stewardship roles), technical (multi-cloud/edge deployment, schema evolution, streaming), and regulatory (cross-border transfer, sectoral rules) axes. We define operational metrics policy latency, lineage completeness, contract conformance, privacy risk, and auditability and present deployment guidance for phased adoption. The result is a pragmatic blueprint that enables high-velocity AI development while preserving trust, safety, and compliance through verifiable, automatable controls
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.
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 | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,017 | 0,017 |
| 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 découle