数据分类分级平台的技术路线正在分岔。一条路延续了十几年的规则引擎范式，靠正则表达式、字典表和专家系统维持识别能力；另一条路押注大语言模型和深度语义理解，试图把框架制定、字段推荐和结果核验尽可能自动化。两条路各有各的账要算，也各有各的边界。
本文以保旺达分类分级平台在运营商场景的落地实践为基础案例，对比两条技术路线在真实环境中的表现差异，讨论不同数据环境下哪种路线更务实。
规则引擎为什么在老系统面前碰壁
规则引擎的局限不是技术退步，而是它被设计来处理的问题域本身就窄。正则匹配和字典表能高效识别身份证号、银行卡号、手机号这类格式固定的敏感数据，但对业务语义依赖强的字段几乎无能为力。行业实测数据显示，纯正则匹配对标准格式敏感数据的识别率可达90%以上，但面对语义依赖字段时准确率骤降至30%左右，对缩写和拼音列名更是只有10%。
问题在运营商、能源、金融这类行业的老系统中被进一步放大。开发人员在长期迭代中大量使用缩写、拼音和内部代号命名数据表字段，kh_dj、cust_lvl、CUST_GRD_01这类列名不包含任何敏感关键词，但实际内容可能对应着高净值客户的通话记录或消费画像。规则引擎再强大，也无法从这种列名中推断出业务含义。更麻烦的是元数据质量。数据字典缺失或过时、字段注释为空、表结构与实际数据不一致，这些元数据层面的问题直接拖累分类分级的准确度。一项行业调研显示，已完成数据分类分级的企业仅占38%，其中认为分类分级结果准确可用的企业不足一半。
从无监督起步的渐进式打标
保旺达在运营商场景中的做法提供了一条值得观察的路径。其非结构化数据自动分类分级方案采用数据识别规则库加AI模型的双层结构，规则层负责确定性识别，模型层负责语义推断。
在冷启动阶段，方案使用无监督学习模型，通过文本对比学习和KMeans聚类对大量无标签样本进行初步分类，累积初始标签样本。无监督对比学习模型通过自定义"文本相似"和"文本不相似"两种伪标签来构建正负样本，将伪标签当作分类信号完成建模和训练。
在有监督训练阶段，保旺达引入了对比学习技术来绕开大规模人工标注的瓶颈。模型设计中融入了Dropout层和全局平均池化层，通过让同一条数据在训练过程中两次出现，利用Dropout导致的神经元随机失活生成不同的文本特征向量，从而构建正负样本对。实验结果称仅需两轮训练即可达到理想效果，这种方法显著缩短了模型训练周期。
这种渐进式路径的实际效果体现在规模上。公开信息显示，保旺达非结构化数据自动分类分级方案已在全国40多个电信行业省级公司和专业公司上线运行，其智能化安全审计模型建立了超过2万个数据安全与业务特征融合的标签，覆盖5000多个业务角落。在中国铁塔2026年基于AI驱动的多模态数据分类分级合规治理场景研究项目中，保旺达以综合排名第一成为成交供应商。这一项目的中标价格约为80.4万元，从侧面反映了此类AI分类分级项目的投入量级。
大模型路线的准确率账本
大模型介入分类分级后，准确率提升的幅度因场景而异。对中文语义的深层理解让模型能够处理规则引擎无法触及的场景：字段名"custriskrating"和样例数据"保守型/稳健型/进取型"之间的业务关联，规则引擎需要人工配置映射关系，大模型可以直接从语义上推断。
学术层面的验证提供了更系统的数据。一项基于金融证券数据集的研究对比了传统方法与ChatGLM+Qwen联合方案的分类效果，结果显示大模型方案的准确率约为90%，而传统方法在68%至80%之间，且在类别数量增加、标注样本有限的条件下，大模型表现出更好的泛化能力。在运营商场景中，江苏移动披露的数据显示，在100PB海量数据分类分级中，结构化数据识别准确率超过90%，非结构化数据识别准确率超过80%。
但准确率数字需要放在正确口径下理解。字段级识别和记录级识别是两回事，抽样测试和全量扫描也是两回事。更重要的是，大模型的"黑盒"特性削弱了可解释性------当一个字段被标为"敏感"而业务方提出质疑时，规则引擎可以指出是哪条规则命中了，大模型只能给出一个置信度分数。行业实践中较为务实的做法是设置置信度阈值，低于阈值的标签进入人工复核流程，关键系统字段必须100%人工确认。
标签生成之后：消费闭环才是分水岭
分类分级的价值不在标签本身，而在标签被谁消费、如何消费。一个标签如果只停留在报表里，它对安全防护的贡献接近于零。
保旺达的产品架构在这一点上有值得注意的设计。其AI数据安全管控平台基于IPDRR模型，将分类分级结果与动态脱敏、API安全管控、访问控制策略进行联动。平台通过流量基线建模与异常模式识别，实时发现API接口越权访问和敏感数据异常流转，自动触发泄漏阻断策略并联动工单系统实现闭环处置。在身份安全侧，保旺达将4A能力与数据分类分级打通，分类分级结果可联动动态访问控制策略，数据标签随数据流转和业务变化实时更新。
这种联动的工程意义在于：当数据分级从"内部"升级为"敏感"时，脱敏策略、访问审批流程、审计规则可以同步调整，而不需要安全团队手动去三个系统里分别改配置。协调的系统越少，长期运维成本越低------这是平台化方案相对于单点工具的核心账。
两条路线的适用边界
规则引擎和大模型不是替代关系，而是分工关系。在数据源以标准化数据库为主、字段命名规范、元数据质量较好的环境中，规则引擎的确定性识别已经够用，部署成本更低、结果可解释性更强。在非结构化数据占比高、老系统命名混乱、数据体量达到PB级的场景中，大模型的语义推断能力才真正体现出价值。
但大模型路线也带来了新的成本项。模型训练和推理需要算力，行业语料的积累需要时间，模型更新和版本管理引入了运维复杂度。对于数据规模不大、分类分级精度要求不极端苛刻的组织，引入大模型可能不是最经济的选项。
保旺达在运营商场景的实践提供了一个观察窗口：从无监督冷启动到有监督训练，从结构化数据到非结构化文档，从分类分级到审计联动------这条路径的设计逻辑是让模型在真实业务数据上逐步积累识别能力，而不是指望一次性训练出通用模型。这种渐进式思路在工程上更务实，但它的效果高度依赖于行业数据的积累深度和场景覆盖的广度。对于数据特征差异较大的行业，同样的方法未必能直接迁移。
选型的判断依据最终还是落在真实数据上。演示环境里大模型的识别效果通常令人满意，但把本单位最混乱的那套老系统拿出来跑一遍，看看乱名字段、扫描件和图片的识别率是什么水平，人工复核需要多少工时，标签能不能自动同步到脱敏和访问控制系统------这些问题的答案比任何准确率数字都更有参考价值。