知识点 › 数据基础设施
数据血缘
Data Lineage
定义
记录「原始片段 → 清洗 → 标注 → 数据集 → 训练 → 模型 → 车端版本」的全链路指向关系。用于问题归因（模型变差是数据问题还是代码问题）、影响面分析（这条标注错了影响了哪些模型）。
关键要点
- 血缘要能双向查：从模型查到数据，也要从数据查到受影响的模型
- 实现成本高，通常先做「数据集→模型」这一层，再补细节
- 和审计/合规强相关：监管问「这个模型用了哪些数据」时要能立刻答
面试怎么答
举一个「从线上 bad case 反查到某批标注错误」的例子，血缘的价值就讲活了。
相关知识
- 数据版本管理 — 数据集要像代码一样有版本：不可变快照 + 变更日志，能回答「这个模型是用哪版数据训的」「这版数据比上版多了什么」。工具…