什麼是資料血緣——以及為何企業 AI 團隊在 2026 年無法忽視它

資料血緣是追蹤訓練資料集中任何記錄的能力——通過每次轉換、刪減和標注決策——一直追溯到其來源文件，每一步都有時間戳和操作員身份。

大多數企業 AI 管線完全沒有這個。資料通過一系列腳本和工具處理，每個工具產生輸出文件後傳送到下一步。到訓練範例到達 JSONL 匯出時，產生它的決策鏈已無法恢復。沒有記錄顯示它來自哪個來源文件、誰清洗了它、什麼被刪減了、誰標注了它，或這些事情發生的時間。

2025 年，這是技術債問題。2026 年，隨著 EU AI Act 第 10 條完全適用，且 HIPAA 執法日益關注 AI 系統，這已成為合規缺口。

資料血緣在實踐中意味著什麼

資料血緣不是關於資料目錄或資料庫架構追蹤——儘管這些概念使用相同的術語。在 AI 訓練資料的背景下，血緣具體意味著：

來源溯源：每條訓練記錄都可以追溯到特定的來源文件（最理想的是追溯到該文件中的特定頁面、章節或段落）。

轉換歷史：對來源內容的每次修改——OCR 校正、個人識別資訊刪減、文字標準化、去重刪除——都記錄了：轉換是什麼、誰或什麼系統應用了它，以及何時應用的。

標注溯源：每個標籤——實體標記、分類標籤、邊界框——都記錄了標注員的身份和時間戳。

增強溯源：從真實範例生成的合成記錄帶有對來源範例和所用增強方法的參考。

這不僅僅是日誌記錄。它是維護一個可查詢的記錄，讓你能在任何時間回答：「顯示按順序應用於訓練範例 4872 的每次轉換，包含操作員和時間戳。」

為何大多數企業管線沒有血緣

血緣缺失幾乎總是工具碎片化的架構後果，而非刻意決策。

標準的企業資料準備堆疊大致如下：

1. Docling 或 Unstructured.io 解析來源 PDF，產生提取的文字文件
2. 自訂 Python 腳本清洗、去重並刪減個人識別資訊，將輸出寫入新目錄
3. Label Studio 承載標注專案；標注員進行標注；匯出到 JSON 文件
4. 更多自訂腳本為目標訓練框架重新格式化標籤
5. 最終腳本產生 JSONL 匯出

這個堆疊中的每個工具都是一個孤島。Docling 不知道哪些 Label Studio 標籤與哪些提取的段落相關聯。Label Studio 沒有 Python 腳本應用的個人識別資訊刪減記錄。自訂腳本沒有持久的日誌格式——它們輸出到標準輸出，可能被捕獲，也可能不被捕獲。

當稽核員詢問「請展示你的訓練資料溯源」，或合規主任詢問「在構建這個訓練集時是否正確處理了受保護的健康資訊」，都沒有權威的答案。這些資訊部分散落在不同工具的日誌文件中，部分在執行腳本的工程師的記憶中，部分已消失。

EU AI Act 第 10 條要求什麼

EU AI Act 第 10 條涵蓋高風險 AI 系統的資料和資料治理要求。它於 2026 年 8 月完全適用。高風險 AI 系統——包括用於醫療、關鍵基礎設施、教育、就業、執法及其他指定領域的 AI——必須滿足第 10 條的資料文件要求。

與訓練資料血緣相關的核心要求：

• 訓練、驗證和測試資料集必須接受涵蓋設計選擇、資料收集流程、資料準備操作（標注、標記、清洗、豐富、聚合、校正）的資料治理和管理實踐
• 資料集必須以相關資料類別為特徵，包括可能影響健康和安全的潛在偏見
• 開發者必須實施措施，以審查可能影響健康和安全的偏見
• 文件記錄必須足以證明符合上述要求

翻譯成實踐：你必須能夠向監管機構展示你的訓練資料是什麼、來自哪裡、如何處理的，以及誰做出了標注決策。一個 JSONL 文件資料夾和腳本的 GitHub 歷史並不符合這一要求。

EU AI Act 不是假設的未來法規。對於在歐盟市場部署的 AI 系統，它是當前可執行的法律。

HIPAA 對 AI 訓練中受保護健康資訊的要求

對於在患者資料上訓練 AI 模型的美國醫療組織，HIPAA 的隱私規則和安全規則適用於任何受保護健康資訊的處理——包括在構建 AI 訓練資料集時使用它。

相關要求：

• 患者的有效授權，或認可例外的適用性（例如，治療、操作，或 IRB 批准的研究豁免）
• 最低必要標準：僅使用所述目的所需的受保護健康資訊
• 稽核控制：實施記錄和審查包含或使用電子受保護健康資訊的資訊系統中活動的硬體、軟體和/或程序機制

最後那個要求就是稽核追蹤。HIPAA 要求處理受保護健康資訊的系統維護記錄誰在何時存取或修改了受保護健康資訊的日誌。未經稽核日誌記錄處理臨床記錄的訓練資料管線不符合 HIPAA，無論底層系統的安全性如何。

對於 AI 訓練，這意味著：接觸臨床記錄的每個步驟——攝取、清洗、刪減、標注——都必須記錄執行操作的系統或人員的身份和時間戳。

正確的稽核追蹤是什麼樣子

符合要求的 AI 訓練資料稽核追蹤具有以下特徵：

不可更改：日誌條目在事後無法修改或刪除。僅可追加的日誌，帶有時間戳簽名。

細粒度：日誌捕獲個別記錄級別的事件，而非僅批次級別的事件。「處理了 10,000 條記錄」是不夠的。「從記錄 ID 4872（來源文件 contract_2024_0381.pdf 第 3 頁）中刪減了身份證號碼，操作員：user_id_42，時間戳：2026-03-05T14:22:11Z」才是足夠的。

跨階段：日誌橫跨整個管線——從攝取到匯出——以便任何訓練記錄都可以追溯到每個階段。

操作員歸屬：每次轉換都記錄應用它的操作員（人類或自動化系統）的身份。

可查詢：日誌可以按來源文件、記錄 ID、操作員、轉換類型和時間範圍搜尋。

結構化格式的範例日誌條目：

{
  "event": "pii_redaction",
  "record_id": "rec_4872",
  "source_doc": "contract_2024_0381.pdf",
  "source_page": 3,
  "operator_id": "user_42",
  "timestamp": "2026-03-05T14:22:11Z",
  "redaction_type": "ssn",
  "redacted_value_hash": "sha256:a3f9...",
  "replacement": "[SSN REDACTED]"
}

請注意，被刪減的值本身不儲存在日誌中——只儲存雜湊值，足以用於驗證，而不會重新暴露個人識別資訊。

缺少血緣的代價

法規風險：根據 EU AI Act 第 10 條，在沒有訓練資料文件記錄的情況下部署高風險 AI 系統構成違規。罰款可達全球年度營業額的 3%。對於年收入 5 億歐元的公司，每次違規最高可達 1,500 萬歐元。

無法調試：當部署的模型產生意外輸出——有偏見的預測、事實錯誤的回應、對某些文件類型的系統性失敗——調試需要將問題追溯到訓練資料。沒有血緣，這是不可能的。唯一的選擇是從頭開始重新運行整個資料管線。

信任與問責：企業 AI 系統用於做出或影響影響真實人員的決策——臨床診斷、貸款批准、法律文件審查。當這些系統犯錯時，必須有人承擔責任。問責需要能夠將決策追溯到模型，再追溯到訓練資料。沒有血緣，問責鏈就斷了。

改造血緣與從頭構建

從一開始就將血緣構建到管線中非常直接：每個工具都以一致的格式寫入共享日誌。對現有管線進行血緣改造——一個已經通過多個工具處理資料的管線——要困難得多。

改造選項：

• 包裝腳本：用記錄輸入、輸出和參數的腳本包裝每個現有工具調用。在大多數情況下實現有限的血緣（批次級別而非記錄級別），無需更改底層工具。
• 資料指紋識別：在每個管線階段雜湊每條記錄，維護允許追蹤的指紋對應資料庫。實施起來複雜且難以可靠運作。
• 完全重新架構：用內建血緣的系統替換管線。具有破壞性，但產生最完整和可靠的血緣。

對於在 2026 年構建新 AI 訓練管線的組織——而非嘗試改造現有管線——沒有充分理由構建一個需要後期血緣改造的碎片化工具堆疊。合規要求是已知的。從一開始就構建血緣比後期添加要便宜得多。

Ertas Data Suite 在所有五個管線階段——攝取、清洗、標注、增強和匯出——都維護完整、細粒度、不可更改的稽核日誌，這是設計使然。每次轉換都會自動記錄；不需要單獨的日誌記錄基礎設施。

延伸閱讀

• EU AI Act 第 10 條與訓練資料：企業需要了解的內容 — 訓練資料第 10 條合規要求的詳細分解。
• 符合 HIPAA 的 AI 訓練資料：實用指南 — 醫療組織如何構建滿足 HIPAA 稽核要求的 AI 訓練管線。
• 企業 AI 資料管線的五個階段 — 五階段管線結構如何在整個資料準備過程中實現連貫的稽核日誌記錄。