La gouvernance commence quand la donnee influence une decision
La gouvernance des donnees industrielles commence lorsqu'un signal, une alarme, une mesure, un ordre de travail, une note d'inspection, un document ou un indicateur calcule influence une decision operationnelle.
Pour un jumeau numerique operationnel, la connexion ne suffit pas. L'equipe doit savoir d'ou vient la donnee, quel actif ou espace elle decrit, quelle unite et quelle regle de temps s'appliquent, qui possede le mapping, si la valeur est fiable et quels workflows AI Agent ou tableaux de bord l'utilisent.
Data Fusion Services soutient cette discipline dans la pile FactVerse. Il connecte les sources, mappe les donnees vers les entites du jumeau, nettoie et normalise les champs, calcule des indicateurs, prepare des data marts et lie le contexte temps reel au jumeau.
Ce que DFS doit aider a gouverner
| Domaine | Question pratique | Importance |
|---|---|---|
| Source | Quel systeme possede cette valeur et qui approuve son usage? | Clarifie la responsabilite |
| Acces | Quel role, site, tenant ou reseau peut lire la donnee? | Protege les operations sensibles |
| Entite | Quel actif, espace, systeme, route ou workflow est decrit? | Transforme les tags en contexte |
| Unite et temps | Quelle unite, zone horaire, frequence et aggregation s'appliquent? | Rend les tendances comparables |
| Qualite | La valeur est-elle manquante, ancienne, interpolee ou hors plage? | Montre la force de la preuve |
| Lineage | Quel connecteur, mapping, transform et release ont produit la valeur? | Aide l'audit et le diagnostic |
| Consommateurs | Quels dashboards, AI flows, rapports ou tickets l'utilisent? | Mesure l'impact avant changement |
Gouverner par identite operationnelle
Un meme equipement peut avoir un nom dans SCADA, un tag dans l'historian, un identifiant dans CMMS, une reference dans BIM et un surnom sur le terrain. La gouvernance doit relier ces alias a une identite operationnelle stable.
FactVerse fournit le contexte commun pour espaces, actifs, systemes, relations, documents, bindings de donnees et workflows. Data Fusion Services mappe les champs et tags source vers ce contexte afin que chaque valeur soit attachee au bon objet physique.
Une bonne gouvernance d'identite couvre site, batiment, etage, zone, salle, ligne, route, classe d'actif, ID, nom, proprietaire, cycle de vie, relations amont aval, alias, documents, SOP, points d'inspection, references de work order et limites d'acces.
Qualite, lineage et changement
Les donnees de serie temporelle et les evenements changent en continu. Les regles doivent couvrir valeurs manquantes, seuils de fraicheur, conversion d'unites, horodatage, sampling, aggregation, outliers, remplacement de capteurs, logique d'alarme et formules d'indicateurs.
Les changements de donnees industrielles sont souvent discrets : un point BMS renomme, un compteur remplace, un tag historian deplace, un champ CMMS reinterprete, une formule KPI ajustee. Le jumeau peut rester visuellement correct alors que le contexte de donnees a derive.
Un enregistrement de changement doit contenir source, connecteur, tag ou formule modifiee, actifs et workflows affectes, consommateurs aval, reviewer, statut d'approbation, date d'effet, option de rollback et preuve de validation.
Acces, preuves et machine learning
Les donnees operationnelles peuvent contenir salles restreintes, layouts clients, etats de production, sante des equipements, profils energetiques, constats de maintenance et dossiers de service. Les limites d'acces doivent rester visibles lorsqu'elles entrent dans le jumeau.
Inspector et les systemes de travail connectes enregistrent qui a revu un constat, quelle action a ete prise, quelle preuve a ete capturee et si la condition s'est amelioree. Ces traces deviennent utiles pour la prochaine revue AI et pour le machine learning.
Le ML a besoin du signal, du contexte actif, de l'etat operationnel, de la decision humaine, de l'action et du resultat. La gouvernance conserve definitions de features, filtres qualite, labels issus des work orders, versions de modele, suggestions rejetees, resultats post-action et calendrier de rafraichissement.
Pattern de deploiement DataMesh
- Choisir une boucle de decision - Maintenance predictive, inspection facility, revue d'actifs data center, preuve energetique ou SOP digitale.
- Nommer les responsables data - Sources, identite, mapping, qualite, calculs, acces et workflows aval.
- Mapper l'identite operationnelle - Aligner espaces, actifs, systemes, relations, documents, workflows et alias dans FactVerse.
- Connecter et gouverner - Utiliser Data Fusion Services pour connecter, mapper, normaliser, aligner les temps, calculer et marquer la qualite.
- Enregistrer les consommateurs - Dashboards, routines AI Agent, formulaires Inspector, rapports et datasets ML.
- Revoir avant release - Tags, formules, connecteurs et permissions avant impact production.
- Capturer les resultats - Preuves terrain, decisions de revue et valeurs post-action.
- Ameliorer les regles - Exceptions, mappings echoues, donnees stale, suggestions AI rejetees et feedback terrain.
Checklist
- Chaque source a-t-elle un owner metier et technique?
- Les identites d'actifs, espaces, systemes et workflows sont-elles coherentes?
- Unites, horodatages, sampling et regles qualite sont-ils visibles?
- Les indicateurs calcules ont-ils formule, owner et date de revue?
- Le lineage reste-t-il visible du connecteur au consommateur aval?
- Dashboards, AI Agents, rapports et datasets sont-ils enregistres?
- Les espaces sensibles, dossiers clients et documents restreints sont-ils proteges?
- Les preuves terrain et work orders alimentent-ils revue et ML?
References publiques
La page Data Fusion Services decrit la couche d'integration de donnees de FactVerse.
Le guide Data Readiness, le guide Operational Digital Twin Model Governance et le guide Industrial Knowledge Graphs couvrent les fondations voisines.