解读

面试官抛出这个问题，核心想验证三件事：

1. 你是否真正理解“数据工程”在AI项目中的独特地位——它不仅是“准备数据”，而是贯穿样本定义、采集、清洗、标注、存储、血缘管理、质量监控、合规审计的完整闭环；
2. 你是否能把AI语境下的新工种映射到传统软件工程的成熟方法论，从而证明你能用“听得懂”的语言与研发、测试、运维甚至客户高层对话；
3. 你是否意识到“数据工程”与传统阶段并非简单一对一，而是存在交叉、前置和并行，考察你能否在复杂场景下做权衡。

知识点

1. 传统软件开发生命周期（SDLC）在国内企业的常见切分：需求→概要设计→详细设计→编码→单元测试→集成测试→系统测试→上线运维。
2. 数据工程在AI项目中的关键交付：
   – 样本Schema与标签体系（等价业务需求+数据字典）
   – 数据采集方案与渠道（等价接口设计）
   – 数据清洗规则与质量门禁（等价详细设计+单元测试）
   – 标注流程、工具、质检机制（等价编码+代码评审）
   – 数据版本与血缘（等价配置管理）
   – 隐私合规、安全脱敏（等价安全测试）
3. 映射逻辑：数据工程同时覆盖了“需求澄清+设计+测试”三段，但最大权重落在“详细设计”阶段，因为只有在该阶段才把业务变量转化为可执行、可验证、可度量的数据规格；而“测试”阶段在AI里被拆成“数据验证+模型验证”两步，数据验证提前到建模之前，与传统软件先编码后测试的顺序不同。
4. 国内落地差异：金融、运营商、医疗等强监管行业，数据工程还需提前完成“数据分类分级”和“个人信息影响评估”，相当于在需求阶段就引入合规评审，进一步把数据工程前置。

答案

“数据工程”在AI产品里承担的是“把业务问题转化为可计算的数据规格”这一核心职责，其工作量与风险集中度最接近传统软件开发生命周期中的“详细设计”阶段。
理由：

1. 详细设计阶段要把需求转化为字段、接口、算法流程和数据结构；数据工程同样要把业务目标转化为样本定义、特征口径、标签规范、清洗规则。
2. 详细设计输出的是研发可直接编码的蓝图，数据工程输出的是算法可直接训练的“数据蓝图”。
3. 国内项目评审中，详细设计评审不通过不能开工，数据工程不通过同样不能启动标注与训练，二者都是“质量门禁”关键点。
   需要补充的是，AI项目迭代节奏快，数据工程还会并行完成部分“测试”职能，如数据分布校验、标签一致性验证，因此它比传统详细设计更重、更前置，但主映射仍是“详细设计”。

拓展思考

1. 如果面试官追问“数据工程与MLOps是什么关系”，可回答：数据工程是MLOps的上游“DataOps”子集，解决“第一次做对数据”的问题；MLOps解决“持续做对数据+模型”的问题。
2. 若被问到“预算紧张时如何裁剪数据工程”，应给出“最小可用数据”策略：用代表性采样+弱标注+主动学习，把数据工程拆成P0、P1、P2三档，确保P0达到详细设计“基线门禁”即可启动训练，P1、P2并行迭代，既映射传统“分期设计”思路，又体现AI快速试错特色。