聯繫我們
 課程時長 14 時間:

課程簡介

基礎篇:面向技術團隊的《歐盟人工智能法案》

  • 開發人員及運營商相關義務及術語
  • 從技術角度理解第四條下的禁止行為
  • 將法律要求映射至工程控制措施

安全且合規的開發生命周期

  • 人工智能項目的代碼庫結構及策略即代碼(Policy-as-code)
  • 針對風險模式的代碼審查及自動化靜態檢查
  • 模型組件的依賴及供應鏈管理

面向合規的CI/CD管線設計

  • 管線階段:構建、測試、驗證、打包、部署
  • 集成治理門控及自動化策略檢查
  • 工件不可變性及來源追蹤

模型測試、驗證及安全檢查

  • 數據驗證及偏見檢測測試
  • 性能、穩健性及對抗性韌性測試
  • 自動化接受標準及測試報告

模型註冊、版本管理及來源追溯

  • 使用MLflow或類似工具進行模型譜系及元數據管理
  • 模型及數據集的版本管理以確保可重現性
  • 記錄來源並產出可供審計的工件

運行時控制、監控及可觀察性

  • 輸入、輸出及決策的日誌記錄 instrumentation
  • 監控模型漂移、數據漂移及性能指標
  • 告警、自動回滾及灰度發布(Canary deployments)

安全、訪問控制及數據保護

  • 模型訓練及服務環境的最小特權IAM
  • 保護靜態及傳輸中的訓練與推斷數據
  • 密钥管理及安全配置實踐

審計能力及證據收集

  • 生成機器可讀日誌及人類可讀摘要
  • 為符合性評估及審計打包證據
  • 合規工件的保留策略及安全存儲

事故響應、報告及修復

  • 檢測疑似禁止行為或安全事故
  • 遏制、回滾及緩解的技術步驟
  • 為治理機構及監管機構準備技術報告

總結及後續步驟

最低要求

  • 理解軟件開發及部署工作流
  • 具備容器化及基本的Kubernetes概念經驗
  • 熟悉基於Git的源代碼控制及CI/CD實踐

目標受眾

  • 構建或維護人工智能組件的開發人員
  • 負責部署的DevOps及平台工程師
  • 管理基礎設施及運行時環境的管理員

課程分類