În multe proiecte AI, primul instinct este să cauți un model mai bun. Mai mare, mai rapid, mai nou. Dar tot mai des problema nu este modelul, ci datele pe care acesta le primește: câmpuri incomplete, definiții neclare, etichete puse diferit de la o echipă la alta, date vechi amestecate cu date actuale sau informații sensibile care nu ar fi trebuit să ajungă în setul de lucru.
Aici intră în scenă Data Steward-ul pentru proiecte AI. Nu este doar „persoana cu Excelul” și nici un simplu administrator de baze de date. Este rolul care verifică ordinea, sensul, calitatea și trasabilitatea datelor înainte ca acestea să fie folosite pentru antrenare, evaluare, automatizare sau decizii asistate de AI.
De ce apare rolul acum
AI-ul folosit în firme nu funcționează în vid. Modelele primesc documente, tabele, conversații, imagini, rapoarte interne, date despre clienți sau date operaționale. Dacă aceste informații sunt greșite, învechite sau scoase din context, rezultatul poate părea convingător, dar să fie inutil sau riscant.
NIST, prin AI Risk Management Framework, tratează managementul riscului AI ca pe un proces care privește oamenii, organizațiile și societatea, nu doar performanța tehnică a modelului. Iar Regulamentul european privind inteligența artificială cere, pentru sistemele AI cu risc ridicat, reguli clare privind datele și guvernanța datelor, inclusiv relevanța, reprezentativitatea și reducerea erorilor în seturile de date folosite.
Pentru cititorii care urmăresc piața muncii, rolul se leagă natural de zona de data, machine learning și automation descrisă în articolul despre joburile AI care apar în România. Diferența este că Data Steward-ul nu promite „să facă AI”, ci se asigură că AI-ul nu pleacă de la materiale defecte.
Ce face concret un Data Steward într-un proiect AI
Într-un proiect real, Data Steward-ul poate avea sarcini foarte practice. Clarifică ce înseamnă fiecare câmp dintr-un set de date, cine îl produce, cât de des se actualizează și dacă poate fi folosit legal sau contractual într-un proiect AI. Verifică dacă datele au etichete coerente, dacă lipsesc valori importante și dacă există diferențe între ce crede echipa de business că reprezintă datele și ce vede echipa tehnică în tabele.
Mai apare o responsabilitate importantă: contextul. Un model poate primi un cod de produs, dar fără catalogul corect acel cod nu spune mare lucru. Poate primi feedback de la clienți, dar fără perioada, canalul și condițiile în care a fost colectat, concluziile pot fi greșite. IBM notează, în materialele sale despre data governance pentru AI, că adoptarea sigură a AI cere guvernanță pe tot ciclul de viață al datelor, nu doar controlul modelului la final.
În limbaj simplu, Data Steward-ul întreabă: „Știm ce sunt aceste date? Știm de unde vin? Avem voie să le folosim? Sunt suficient de curate pentru decizia pe care vrem să o luăm?”
Nu este același lucru cu Data Scientist
Data Scientist-ul construiește analize, experimente și modele. Machine Learning Engineer-ul se ocupă de implementare, validare tehnică, pipeline-uri și rulare în producție. Data Steward-ul stă mai aproape de guvernanță, calitate, documentație și responsabilitate asupra datelor.
Într-un proiect matur, cele trei roluri lucrează împreună. Data Steward-ul nu înlocuiește expertiza tehnică, dar poate preveni o problemă înainte ca ea să devină un rezultat greșit într-un dashboard, într-un chatbot intern sau într-un sistem de scoring. Pentru cei care își construiesc un drum profesional în AI, merită urmărită și zona de portofoliu: un proiect bun nu arată doar cod, ci și documentație, date explicate și pași reproductibili, așa cum apare în ghidul despre primul portofoliu pentru joburi AI.
De ce contează pentru firmele mici
Rolul nu este rezervat doar corporațiilor. O firmă mică poate să nu aibă un post numit oficial „Data Steward”, dar tot are nevoie de această muncă: cineva trebuie să știe ce date intră în CRM, ce informații se trimit către un instrument AI, ce documente interne sunt actualizate și ce date personale trebuie protejate.
În proiectele AI, haosul din date nu dispare pentru că folosim un model performant. Din contră, poate deveni mai greu de observat, deoarece răspunsul generat sună fluent. De aceea, o regulă sănătoasă este ca orice proiect AI să aibă o persoană responsabilă de inventarul datelor, de descrierea surselor și de verificarea calității înainte de testare.
Pentru angajatori, acest lucru schimbă și modul de evaluare a candidaților. Nu ajunge întrebarea „știe să folosească un model?”. Un candidat valoros poate arăta cum verifică datele, cum documentează ipotezele și cum face rezultatul reproductibil. Este aceeași logică din articolul despre evaluarea candidaturilor pentru joburi AI.
Ce competențe sunt utile
Un Data Steward pentru AI are nevoie de răbdare, atenție la detalii și capacitatea de a traduce între business, tehnic și conformitate. Ajută cunoștințele de baze de date, noțiunile de protecția datelor, documentarea clară, înțelegerea fluxurilor de lucru și abilitatea de a pune întrebări incomode înainte ca proiectul să ajungă în producție.
Nu este obligatoriu ca rolul să fie spectaculos. Valoarea lui se vede tocmai când nu apare dezastrul: modelul nu primește date greșite, nu amestecă surse incompatibile, nu folosește informații sensibile fără control și nu produce concluzii bazate pe presupuneri neverificate.
Pentru piața muncii, Data Steward-ul poate deveni una dintre pozițiile discrete, dar foarte importante, din jurul AI-ului. Nu este omul care promite magie. Este omul care se uită la fundație și spune: „Înainte să construim modelul, trebuie să știm pe ce date stăm.”
Întrebări frecvente
Ce face un Data Steward într-un proiect AI?
Verifică sursele, sensul, calitatea, documentația și folosirea corectă a datelor înainte ca acestea să fie utilizate de modele sau automatizări AI.
Este același rol cu Data Scientist?
Nu. Data Scientist-ul lucrează mai mult pe analiză și modele, în timp ce Data Steward-ul se concentrează pe guvernanță, calitate, context și trasabilitatea datelor.
De ce contează rolul și pentru firme mici?
Pentru că și firmele mici folosesc date în CRM-uri, documente, rapoarte sau instrumente AI. Dacă datele sunt dezordonate, rezultatele generate pot fi greșite sau riscante.
Ce ar trebui să arate un candidat interesat de acest rol?
Ar trebui să poată documenta datele, să explice sursele, să verifice ipotezele și să arate că poate face un proiect AI reproductibil și ușor de înțeles.
Surse
- NIST AI Risk Management Framework
- Regulation (EU) 2024/1689, Artificial Intelligence Act
- Article 10: Data and Data Governance, EU Artificial Intelligence Act
- IBM: The Importance of Data Governance for enterprise AI
- Atlan: AI Data Steward: From Fixing Data to Governing Context for AI
- World Economic Forum: The Future of Jobs Report 2025
