“Clean Data” Is Not a Requirement: Writing Rules People Can Act On

'Clean data' is a vague wish, not a testable requirement. Effective data quality rules need three components: a testable check (something that returns a pass/fail number), a defined threshold (what percentage of compliance is acceptable), and a named owner (a specific person accountable for the definition). A fourth element — service expectation (timing and freshness) — rounds out a complete requirement. The post contrasts vague mandates like 'the data should be correct' with concrete, enforceable rules like 'order_id is unique across sales_orders, 100%, owned by the sales data lead, checked on every load.' A simple three-question test helps teams evaluate whether their current data expectations are real requirements or just preferences.

Nguồn: https://blog.sqlauthority.com/2026/07/14/clean-data-is-not-a-requirement-writing-rules-people-can-act-on. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.

Đề xuất cho bạn

Daily Dose of Data Science | Avi Chawla | Substack1 Hot6 phút6 giờ trướcAI

Agentic RL: Environments, Trajectories, and the Training Loop

Bài viết phần 12 của khóa học reinforcement learning tập trung vào đào tạo các agent dựa trên LLM, mô tả môi trường RL cho agent sử dụng công cụ, khái niệm trajectories trong huấn luyện, cách chấm điểm dựa trên kết quả và quá trình (RULER), cũng như vấn đề phân bổ tín dụng trong các episode dài. Phần thực hành hướng dẫn đào tạo một agent SQL 3 tỷ tham số bằng ART và RULER trên Colab GPU miễn phí, chỉ với một dòng code thưởng cho tính đúng đắn.

Để hiểu cách xây dựng và tối ưu hóa các môi trường học tập cho các máy học tự động hóa hành động thông minh với LLM, từ thiết kế lộ trình đến giải quyết vấn đề phân bổ tín hiệu hiệu quả trong chu trình huấn luyện dài hạn.