Pelajaran 1Kontrak pembekal dan pelanggan untuk ciri AI: perjanjian pemprosesan data, kawalan bersama, perkongsian liabiliti, dan keperluan keselamatanBahagian ini menerangkan cara menyusun kontrak pembekal dan pelanggan untuk ciri AI, memberi tumpuan kepada perjanjian pemprosesan data, kawalan bersama, perkongsian liabiliti, dan klausa keselamatan yang mencerminkan keperluan peraturan dan etika.
Mendefinisikan peranan pengawal dan pemprosesKlausa perjanjian pemprosesan data utamaKawalan bersama dan tugas dikongsiHad liabiliti, ganti rugi, dan insuransKewajipan keselamatan dan tindak balas insidenHak audit, pengawasan, dan penamatanPelajaran 2Rejim perlindungan data teras dan kewajipan yang relevan dengan AI (prinsip: had tujuan, penyerendahan data, asas sah, ketelusan)Bahagian ini menyemak rejim perlindungan data teras yang relevan dengan AI, menekankan prinsip seperti had tujuan, penyerendahan data, asas sah, dan ketelusan, serta cara mengoperasionalkannya merentasi pembangunan dan pelancaran AI.
Had tujuan dalam latihan dan penggunaan AIPenyerendahan data dan pemilihan ciriMemilih dan mendokumentasikan asas sahKetelusan dan notis bermaknaKetepatan, had penyimpanan, dan integritiAkauntabiliti dan struktur tadbir urusPelajaran 3Penilaian Impak Perlindungan Data (DPIA) / Penilaian Impak AI (AIA): struktur, soalan utama, dan rancangan pembaikanBahagian ini menerangkan cara mereka bentuk dan jalankan DPIA dan AIA, dari penyelidikan dan pengenalpastian risiko kepada penglibatan pihak berkepentingan, dokumentasi, dan perancangan pembaikan, memastikan sistem AI memenuhi jangkaan undang-undang, etika, dan organisasi.
Penyelidikan sistem AI dan aktiviti pemprosesanMengenal pasti pihak berkepentingan dan kumpulan terjejasKatalog risiko kepada hak dan kebebasanMereka bentuk rancangan mitigasi dan pembaikanMendokumentasikan hasil dan tandatanganMengintegrasikan DPIA ke dalam kitaran hidup produkPelajaran 4Keadilan algoritma dan berat sebelah: sumber berat sebelah, kaedah pengukuran, dan teknik mitigasiBahagian ini menganalisis berat sebelah algoritma dan keadilan dalam AI, menerangkan sumber berat sebelah, metrik keadilan, dan strategi mitigasi merentasi data, pemodelan, dan pelancaran, dengan perhatian kepada jangkaan undang-undang dalam persekitaran peraturan ketat.
Jenis dan sumber berat sebelah algoritmaMetrik keadilan dan pertukaranBerat sebelah dalam pengumpulan dan pelabelan dataStrategi latihan dan penilaian modelMitigasi semasa pelancaran dan pemantauanDokumentasi keputusan keadilanPelajaran 5Buku panduan operasi untuk semakan pematuhan produk dan peningkatan merentas fungsi (Produk, Undang-undang, Privasi, Pematuhan)Bahagian ini menyediakan buku panduan praktikal untuk semakan pematuhan produk, mendefinisikan peranan, aliran kerja, dan laluan peningkatan di kalangan pasukan Produk, Undang-undang, Privasi, dan Pematuhan untuk mengurus risiko AI dan mendokumentasikan keputusan yang boleh dipertahankan.
Penerimaan dan penapisan perubahan produk AITahap semakan berasaskan risiko dan kriteriaPeranan Produk, Undang-undang, Privasi, PematuhanLaluan peningkatan untuk kes penggunaan AI berisiko tinggiDokumentasi keputusan dan rekod kelulusanGelung maklum balas ke dalam peta jalan produkPelajaran 6Pengurusan risiko model untuk ciri AI: dokumentasi (kad model), pengesahan, ujian, pemantauan prestasi, dan kebolehjelasanBahagian ini meliputi pengurusan risiko model untuk ciri AI, termasuk dokumentasi, pengesahan, ujian, pemantauan, dan kebolehjelasan, menyelaraskan tadbir urus model dengan jangkaan peraturan dan rangka kerja selera risiko dalaman.
Inentori dan pengelasan modelStandard kad model dan dokumentasiPengesahan dan cabaran bebasPemantauan prestasi, hanyutan, dan kestabilanKaedah kebolehjelasan dan hadPengurusan perubahan model dan penamatanPelajaran 7Rangka kerja etika untuk keputusan AI: pemetaan pihak berkepentingan, seimbang, boleh pertikaikan, pengawasan manusia, dan mekanisme pembetulanBahagian ini memperkenalkan rangka kerja etika untuk pembuatan keputusan AI, meliputi pemetaan pihak berkepentingan, seimbang, boleh pertikaikan, pengawasan manusia, dan pembetulan, serta menunjukkan cara menyematkan prinsip ini ke dalam proses tadbir urus dan reka bentuk produk.
Pemetaan pihak berkepentingan dan impak untuk AIPenilaian seimbang dan keperluanMereka bentuk saluran pertikaian dan rayuanModel manusia-dalam-gelung dan pada-gelungMekanisme pembetulan dan penyembuhan kerosakanMenyematkan semakan etika ke dalam tadbir urusPelajaran 8Reka bentuk pelestarian privasi: penyerendahan data, privasi perbezaan, anonimisasi, pseudonimisasi, dan asas pengiraan beramai-ramai selamatBahagian ini meneroka strategi reka bentuk pelestarian privasi untuk AI, termasuk penyerendahan data, anonimisasi, pseudonimisasi, privasi perbezaan, dan pengiraan beramai-ramai selamat, dengan panduan kes penggunaan dan pertukaran pelaksanaan.
Penyerendahan data dalam reka bentuk ciri AIAnonimisasi dan risiko pengenalpastian semulaKaedah pseudonimisasi dan tokenisasiPrivasi perbezaan untuk analisis dan MLAsas pengiraan beramai-ramai selamatMemilih teknik privasi yang sesuaiPelajaran 9Kawalan teknikal: kawalan akses, log, penyulitan, dasar penahanan, dan kitaran pembangunan selamat (SDLC) untuk MLBahagian ini butirkan penjaga teknikal untuk sistem AI, termasuk kawalan akses, log, penyulitan, penahanan, dan pembangunan ML selamat, menunjukkan bagaimana pilihan kejuruteraan menyokong pematuhan peraturan dan pengurangan risiko etika.
Kawalan akses berasaskan peranan dan atributReka bentuk log keselamatan dan jejak auditPenyulitan dalam pemindahan dan rehat untuk data AIAutomasi penahanan dan pemadaman dataPengkodan selamat dan semakan kod untuk MLUjian keselamatan dan pengerasan perkhidmatan AIPelajaran 10Menilai asas sah dan had persetujuan untuk pengawasan tempat kerja dan pemprosesan data pekerjaBahagian ini mengkaji asas sah dan had persetujuan untuk pengawasan tempat kerja dan data pekerja, menangani alat pemantauan, tugas ketelusan, ketidakseimbangan kuasa, dan penjaga untuk melindungi maruah dan hak buruh.
Senario pengawasan tempat kerja biasaMenilai kepentingan sah dan keperluanHad persetujuan dalam konteks pekerjaanKetelusan dan tugas maklumat pekerjaPenjaga untuk teknologi pemantauanMelibatkan majlis pekerja dan kesatuanPelajaran 11Aliran peraturan di bidang kuasa peraturan tinggi dan laluan pematuhan untuk produk AI novelBahagian ini menyurvei aliran peraturan di bidang kuasa peraturan tinggi, menggariskan undang-undang AI baru, panduan, dan corak penguatkuasa, serta memetakan laluan pematuhan praktikal untuk produk AI novel dan operasi rentas sempadan.
Gambaran keseluruhan rejim peraturan AI utamaPeraturan dan panduan AI khusus sektorJangkaan penyeliaan dan penguatkuasaPasir peraturan dan pusat inovasiMereka bentuk program pematuhan berasaskan risikoIsu pematuhan data dan AI rentas sempadanPelajaran 12Rangka kerja hak asasi manusia yang berkaitan dengan data dan AI: Prinsip Panduan PBB, GDPR sebagai model berasaskan hak, dan implikasi hak asasi manusia negaraBahagian ini menghubungkan undang-undang hak asasi manusia dengan tadbir urus data dan AI, menerangkan Prinsip Panduan PBB, pendekatan berasaskan hak GDPR, dan bagaimana tugas hak asasi manusia negara membentuk tanggungjawab korporat untuk reka bentuk dan pelancaran AI.
Prinsip Panduan PBB dan tugas korporatGDPR sebagai model peraturan berasaskan hakUndang-undang hak asasi manusia negara yang mempengaruhi AIRisiko hak asasi manusia utama dalam penggunaan AIDue diligence hak asasi manusia untuk AIJangkaan penyembuhan dan akauntabiliti
