Cette étude est une revue systématique de la littérature qui examine l'état actuel des outils existants prenant en charge la gestion de la qualité des données (DQM) basée sur l'IA dans les environnements d'entrepôt de données. Nous avons évalué 151 outils de DQM pour leurs capacités d'automatisation, notamment leurs capacités de détection et de recommandation de règles de qualité des données dans les entrepôts de données. Après un processus de sélection en plusieurs étapes basé sur la fonctionnalité, la convivialité, la conformité et la compatibilité architecturale avec les entrepôts de données, seuls 10 outils répondaient aux critères de la DQM basée sur l'IA. Notre analyse a révélé que la plupart des outils se concentrent sur le nettoyage et la préparation des données pour l'IA, et non sur l'amélioration de la DQM elle-même en exploitant l'IA. Bien que des techniques de détection de règles basées sur les métadonnées et le ML existent, des fonctionnalités telles que la spécification de règles basée sur SQL, la logique de réconciliation et l'explicabilité des recommandations basées sur l'IA font défaut. Cette étude fournit des conseils pratiques pour la sélection des outils et suggère des exigences de conception importantes pour les solutions de DQM basées sur l'IA de nouvelle génération, plaidant pour un changement de paradigme de la « qualité des données pour l'IA » à « l'IA pour la gestion de la qualité des données ».
