近期「Agent 時代來臨」的討論相當熱烈，但當企業真正想導入 AI Agent 時，往往會撞上最痛的現實：如果 Agent 讀不懂企業內部的資料，它根本無法做事。

這不僅是 AI 面臨的困境，也是企業內部資料科學家長期的切身之痛。企業資料常散落在各專案與系統中，缺乏統一的商業邏輯介面，也讓資料使用邏輯難以傳承。對資料科學家來說，想做分析建模，卻得先耗費大半時間確認「這份資料在哪裡、能不能信、能不能拿到」，而且每次都得跨團隊詢問才能得到答案。這場分享要談的，是我們如何在 GCP 上打造一個「讓 AI 跟人都能看懂資料」的自助資料平台。

我們深知，要讓 Agent 發揮價值，「資料治理」是無可迴避的硬功夫。我們以 GCP Knowledge Catalog 為核心，建立中央化資料平台，並搭建了一系列自助化工具，讓資料科學家能夠輕鬆協作來豐富 Metadata。首先我們統一資料查找入口，並把資料的來源、品質、個資標記等屬性都攤在 Metadata 上；同時，把 Data Quality 規則、PII 遮罩、Data Access 權限，設計成讓資料負責人可以自助上架的平台能力。規則一旦上架就會自動執行，治理在這裡變成了背景設施，不再是資料科學家要面對的關卡。

當底層的基礎建設與 Metadata 逐步完善後，我們試著基於這個平台架設 Agent，現在的 KC (Knowledge Catalog) Agent 能基於 Metadata 的資料，理解並回應基本的問答與查找需求。我們進一步將原本仰賴人力的合規與維運工作，轉化成血緣分析、營運衝擊分析、個資盤點等 Agent 服務。

這次分享將走過我們團隊的真實歷程：從如何搭建自助化工具給大家用，到最後由 Agent 串聯起一切價值。希望能藉此鼓勵正在這條路上的平台工程師：雖然搭建基礎建設與推動治理非常辛苦，但當你看到 Agent 終於能看懂資料，讓使用者用自然語言就能自助完成工作的那一刻，你會覺得這一切的努力都值得。

聽完這場分享，你會掌握一套打造自助資料平台的方法與歷程：

1. 如何評估資料科學家在取用資料時真正卡關的地方，把「找資料、確認能不能用、申請權限」這些工作，收斂成平台可以承接的自助能力。
2. 如何設計 Metadata 標準與自助化工具，讓資料科學家豐富資料屬性，解決資料使用邏輯難以傳承的問題，為 Agent 鋪好路。
3. 如何把治理規則轉化為自助上架工具，讓資料負責人自行維護、上架 Data Quality 與存取規則，而不必仰賴中心團隊的人工作業。
4. 如何導入 AI Agent 承接資料查找、血緣分析、個資盤點與營運衝擊分析等重複性工作，讓資料科學家自己就能得到答案，也讓平台團隊從被動支援中解放。