Automatizar la supervisión de la calidad de los datos

Índice

A

• acciones, Acciones
• enfoques aditivos de los modelos de series temporales, Monitoreo de métricas
• LaIA (inteligencia artificial), la IA y el aprendizaje automático son diferenciadores
  • (véase también ML (aprendizaje automático))
  • problemas de calidad de los datos en el entrenamiento y la inferencia de modelos, Riesgos de laIA/ML-Datos duplicados
    • cambio en la correlación, Cambio en la correlación
    • datos duplicados, Datos duplicados
    • choques de características, Choques de características
    • aumentos deNULL, aumentos de NULL
  • efectos de los choques de datos en, Choques de datos
  • IA generativa y calidad de datos, IA generativa y calidad de datos
• Airflow, Problemas dentro de la fábrica de datos, Evaluar la madurez de tus datos, Ingenieros, Orquestadores de datos
  • DAG que ingiere datos y ejecuta comprobaciones sobre ellos, Integración con Orquestadores
  • Operador para ejecutar comprobaciones de calidad de datos, Integración con Orquestadores
• Alación (catálogos de datos), Catálogos de datos
  • comprobaciones de calidad de datos en resumen para una tabla, Catálogos de datos
• Fatiga por alertas, Requisitos de monitoreo, Implementar notificaciones evitando la fatiga por alertas
  • sobre, Requisitos de monitoreo
  • evitar, Evitar la fatiga por alertas: lo queno hay que suprimir: Cambios previstos
    • agrupar alertas mediante aprendizaje automático, Agrupar alertas mediante aprendizaje automático
    • programar las comprobacionesen el orden correcto, Programar las comprobaciones en el orden correcto
    • suprimir notificaciones, Suprimir notificaciones ...