AI 术语表 · 进阶 · 数据工程 · MLOps 与 LLMOps
数据可观测性
数据可观测性是指持续监视数据是否按时、以正确的数量和形式流入，一旦出现异常就立即发出通知，并能追踪原因。
关于这个术语
- 难度
- 进阶 · 需要了解内部原理的专业术语
- 分类
- 数据、运维与平台
- 加入时间
- 2026-10-09
通俗解释 这类似于在水管各处安装水压计和水质传感器的管理系统：一旦断水或水变浑浊，就会发出警报，并指出是哪一段出了问题。同样，没有安装传感器的管段出现问题时，仍然可能被漏掉。
工作原理
对数据管道中流动的每张表自动测量若干信号。通常关注新鲜度（数据是否按时更新）、数量（行数是否比平时突然减少或增加）、模式（列是否消失或格式是否改变）、分布（值的范围或空值比例是否与平时不同）、血缘（这些数据从哪里来、到哪里去）。系统学习历史模式，通过异常检测捕捉与平时不同的变化，并通知负责人。借助血缘信息，还能同时显示问题最先出现的位置以及受影响的仪表盘和模型。
数据可观测性关注的信号
流入状态
- 新鲜度：是否按时更新
- 数量：行数是否突然变化
- 模式：列或格式是否改变
内容与关联
- 分布：值范围、空值比例是否与平时相同
- 血缘：问题从哪里开始、影响到哪里
为什么重要
数据问题往往在没有任何错误信息的情况下悄悄发生。例如，源系统变更后某一列全部变成空值，管道也可能照常结束运行。等到有人在报表中偶然发现这类问题时，往往已经基于错误数字做出了决策，或者模型已经学错了。数据可观测性能及早发现这类“静默故障”，缩小损失范围。
注意事项
如果说数据质量检查更接近于核对“这个值必须大于 0”这类预先设定的规则，那么可观测性则侧重于更广泛地监视那些没有预设规则的异常，并追踪原因。两者与其说是竞争关系，不如说是配合使用的关系。监视对象一多，警报响得过于频繁，就容易被忽视，因此最好从重要数据开始确定优先级。在 AI 模型运维中，它与观察输入数据变化的数据漂移监控密切相关。
示例
假设某购物网站的销售仪表盘某天早上显示的数字远低于平时。如果有数据可观测性工具，它在凌晨就会发出“订单表行数比平时大幅减少”的警报，并沿着血缘指出支付系统一侧的数据采集任务部分失败，同时说明这一问题会影响销售仪表盘和推荐模型的训练数据。负责人可以在高管查看仪表盘之前重新补齐数据。