題幹與適用場景
團隊有一份用於分類模型的資料集，來自線上行為日誌與人工標註。現在它將被多個模型、離線評估與分析專案重複使用，但使用者不知道樣本如何收集、標籤由誰產生、哪些群體被涵蓋、缺失值如何處理，也不知道資料是否允許用於新的業務。請設計一份 Data Card，並說明如何讓它持續可稽核。
這道題適合資料工程、資料科學、機器學習工程與資料治理職位。重點是把資料集說明變成可驗證的決策材料，而不是羅列欄位或生成漂亮的統計表。回答應涵蓋來源與責任、用途與限制、品質與代表性、隱私與授權、已知風險、版本與維護流程。
面試官考察點
強回答會先定義讀者要做的決策，再按證據組織 Data Card。它會區分資料事實、推論與未知項，給出樣本量、時間範圍、收集條件、標籤協議、缺失與修正紀錄，並按關鍵切片檢查涵蓋與偏差。它也會說明誰批准發布、如何記錄版本、如何處理新用途與嚴重問題，以及怎樣用重現檢查與使用回饋更新卡片。
回答前需要釐清的問題
- 資料單位是什麼：一筆事件、一位使用者、一個工作階段還是一項人工標註？
- 資料用於訓練、評估、檢索、報表還是安全決策？每種用途的風險是否不同？
- 樣本從哪些時間、地區、裝置與渠道收集，目標總體是什麼？
- 標籤定義、標註者資格、分歧處理與品質抽查規則是什麼？
- 是否包含個人資料、敏感屬性、第三方授權或用途限制？誰負責批准與維護？
30 秒回答框架
「我會先寫清楚資料集的目的、讀者與禁止用途，再記錄來源、收集窗口、樣本量、單位、標籤流程、版本與責任人。接著按代表性、完整性、一致性、標註品質、隱私與授權做驗證，並按關鍵人群與時間切片報告結果。Data Card 要同時列出未知項、已知偏差與適用邊界；發布前由 owner 審批，之後用版本化快照、重現檢查與使用回饋持續更新。若新用途超出證據範圍，就暫停批准並補做驗證。」
分步驟深入解答
第一步：先寫用途與決策邊界
把「這個資料集很好」改寫成可回答的問題：誰會用它、要做什麼、錯誤會造成什麼後果。分別列出允許用途、需要額外驗證的用途與禁止用途。例如，訓練客服意圖分類不自動授權用於招聘篩選；用於離線比較的標籤不一定能支援即時風控。
第二步：記錄來源、樣本單位與生成過程
Data Card 應說明資料來自哪些系統、何時收集、涵蓋哪些版本與地區、樣本單位是什麼，以及過濾、去重、去識別化與衍生步驟。對每次修正記錄原因、操作者、時間與影響範圍。Google 的資料品質指南提醒，收集裝置、人工流程與四捨五入規則都可能製造資料與現實之間的差距，不能只看最終檔案。
第三步：把品質證據分層
至少報告數量、缺失率、重複率、型別與單位檢查、標籤一致性、異常值處理、資料洩漏檢查及重跑結果。每個指標都帶上計算窗口、分母與門檻；「缺失率為零」必須說明哪些欄位被排除。對抽樣人工複核保留樣本與判定依據，方便第三方重現。
第四步：檢查代表性與切片差異
先定義目標總體，再按地區、語言、裝置、時間、使用者階段或其他會改變表現的維度切片。報告各切片的樣本量、標籤分布與關鍵品質指標，註明小樣本不確定性。不能因為總體準確率高就隱藏一個關鍵群體缺少樣本；也不能把觀察到的差異直接解釋成因果關係。
第五步：描述標籤與人工決策
寫明標籤的操作定義、正負例、邊界案例、標註者背景、培訓、雙人或多人複核、分歧仲裁與抽查比例。若標籤來自使用者行為，要說明它是代理指標而非真實目標。保留標籤版本與變更原因，避免模型訓練時把不同口徑混在一起。
第六步：寫清隱私、授權與存取控制
列出個人資料與敏感欄位、去識別化方法、重新識別風險、保留期限、授權來源、可分享範圍與審批紀錄。去識別化不等於用途無限；組合多個欄位仍可能暴露群體特徵。Data Card 應連結到存取策略與刪除流程，並指出無法確認的授權或來源缺口。
第七步：綁定版本、owner 與重現材料
每個發布版本固定資料快照、程式碼提交、處理設定、依賴版本、統計摘要與校驗值。指定業務 owner、技術維護者與風險聯絡人，記錄最後審閱日期及下次複核觸發條件。需要新用途時，重新比較目標總體、切片、授權與已知風險，而不是複製舊卡片。
第八步：用五類問題審閱卡片
可以按負責、用途、品質、影響與風險五類問題做審閱。Google 的 Data Cards 指南強調，卡片不只要說明資料是什麼，也要幫助讀者判斷是否適合自己的任務、可能造成什麼後果以及需要哪些限制。審閱人應指出證據、未知項與待辦 owner，而不是只給一個總分。
設計取捨與邊界
Data Card 越詳細，重複使用者越容易做出正確判斷，但維護成本也會增加。我會把跨專案都需要的來源、用途、品質與風險作為強制欄位，把單一專案的臨時分析放在附錄。統計摘要不能取代原始樣本審查；總體指標不能取代關鍵切片；自動化檢查不能取代對標籤語義與業務後果的人工複核。
當證據不足時，明確寫「未知」並給出補證計畫。寧可限制用途或只允許探索分析，也不要用一個未經驗證的準確率替高風險決策背書。
落地計畫與證據
我會先選擇一個消費者有限、影響可控的資料集做試點。第一週登記用途、來源、樣本單位與 owner，第二週完成品質與切片檢查，第三週讓資料科學、隱私與業務代表共同審閱，最後用固定快照重跑統計並發布版本。試點結果應包括發現的問題、修正紀錄、仍然未知的範圍與下一次複核日期。
發布後收集使用者提出的誤解、發現的資料缺陷、新用途申請與模型表現差異。若問題在下游才被發現，說明卡片缺少關鍵證據或讀者無法找到它；若沒有人能解釋欄位與限制，說明責任和術語仍不清楚。
常見誤區與追問
只有欄位字典，沒有使用邊界
欄位名稱與型別不能說明樣本如何產生、標籤代表什麼、哪些用途會造成傷害。應補上目標總體、允許用途、禁止用途與證據等級。
用總體平均掩蓋切片缺口
總體指標可能被大群體主導。應報告關鍵切片的樣本量、分布與不確定性，並解釋哪些切片沒有足夠證據。
把清理結果當成真實世界
刪除異常值、填補缺失值與統一單位都會改變資料。必須記錄規則、影響與未解決的問題，不能把處理後的數值直接稱為 ground truth。
新用途申請時只複製舊卡片
用途變化會改變風險、目標總體與所需證據。重新評估授權、代表性、標籤適用性與業務後果，並由 owner 記錄批准或拒絕理由。
如何證明 Data Card 真的有用？
觀察使用者能否在建模前找到限制並做出正確選擇，比較問題首次發現位置、重現成功率、用途審批返工次數與高風險誤用事件。指標變化要結合資料集版本、使用量與審閱投入解釋，不能把事故減少簡單歸因於卡片。