Utawala, hatari na kufuata sheria za AI
Utawala wa AI huipa shirika wamiliki walioitwa, kanuni wazi za data na maamuzi, tathmini ya hatari sawia na madhara, majaribio, na rekodi kwa kila mfumo wa AI linaotumia; mifumo kama ISO/IEC 42001, Mfumo wa Usimamizi wa Hatari za AI wa NIST, na Sheria ya AI ya EU hutoa msamiati na muundo, si ushauri wa kisheria.
Kwa nini hili ni muhimu
AI huingia katika shirika kupitia milango mingi kwa wakati mmoja. Wauzaji huongeza vipengele vya AI kwenye zana unazozilipia tayari. Timu hujenga wasaidizi. Watu binafsi hutumia zana za soga za umma kwa kazi yao. Kila matumizi hubeba maswali ambayo shirika huenda halijauliza: data gani inaingia, nani anaiona, ni sahihi kiasi gani, nani anaathiriwa na maamuzi yake, na nani anajibu inapokosea.
Bila utawala, maswali hayo hujibiwa kwa kila matumizi, bila uthabiti, au hayajibiwi kabisa. Matokeo hutofautiana kutoka ya aibu hadi makubwa: hati ya siri iliyobandikwa kwenye zana ya umma, mfumo wa uchujaji unaowatendea baadhi ya vikundi vibaya zaidi kuliko vingine, msaidizi anayetoa ushauri mbaya kwa mteja, mdhibiti anayeomba ushahidi wa udhibiti na asipate chochote.
Utawala ndio jibu, na hauhitaji kuwa mzito. Kiini chake ni seti ndogo ya tabia: jua AI gani unatumia, mpe kila matumizi mmiliki, tathmini hatari sawia na kinachoweza kwenda vibaya, jaribu na ufuatilie, weka kanuni kuhusu data na usimamizi wa binadamu, na uweke rekodi. Sheria na viwango vinaendelea kwa haraka: Sheria ya Akili Bandia ya Umoja wa Ulaya, inayoelezwa na Wikipedia, huweka wajibu kwa kategoria ya hatari, na mamlaka nyingine nyingi zina kanuni au mapendekezo. Mada hii inaeleza muundo na msamiati na kuonyesha jinsi ya kuweka utawala wa AI ndani ya utawala ulio nao tayari. Haitoi ushauri wa kisheria; kwa swali lolote la kisheria, uliza mshauri aliyehitimu.
Maelezo ya mmiliki ya toleo jipya zaidi la ITIL yanaweka AI ndani ya mazingira ambayo usimamizi wa huduma lazima uyashughulikie (tazama mada 1.3 — ITIL 5). Mada hii inaunganishwa na mtazamo wa jumla wa AI (mada 5.1 — AI katika usimamizi wa huduma), mawakala (mada 5.5 — AI ya kiwakala na usimamizi wa binadamu), mfumo wa uendeshaji (mada 5.8 — Mfumo wa uendeshaji na ujuzi wa AI), na utawala wa biashara nzima (mada 8.1 — Utawala, Hatari, na Uzingatiaji).
Dhana kuu
Utawala, hatari, na uzingatiaji (GRC). Utawala ni jinsi shirika linavyoelekezwa na kudhibitiwa; usimamizi wa hatari hutambua na kutibu vitisho kwa malengo; uzingatiaji ni kutimiza wajibu unaotokana na sheria, mikataba, na sera. Wikipedia inaeleza GRC kama mbinu iliyounganishwa ya yote matatu. Utawala wa AI hutumia mantiki ileile kwa AI.
Orodha ya AI. Orodha ya mifumo yote ya AI inayotumika au inayoendelezwa: kusudi, mmiliki, muuzaji au modeli, data inayotumika, watumiaji na watu walioathirika, kiwango cha hatari, na hali. Huwezi kutawala usichokiona. Jumuisha vipengele vya wauzaji vilivyojengwa ndani na zana binafsi zinazotumika kwa kazi.
Mbinu inayotegemea hatari. Kiwango cha udhibiti kinapaswa kulingana na kiwango cha madhara yanayowezekana. Kufupisha madokezo ya mkutano kuna hatari tofauti na kupanga waombaji wa kazi. Sheria ya AI ya EU inachukua mbinu inayofanana, ikiwa na kategoria kutoka hatari ndogo hadi isiyokubalika; Wikipedia inaeleza kategoria. Angalia maandishi ya sasa na hali yako mwenyewe na mshauri wa kisheria.
Tathmini ya hatari kwa AI. Kwa kila matumizi, uliza: nani anaweza kudhurika, na vipi; ni kwa uwezekano na ukali gani; mipaka ya mfumo ni ipi; nini kinatokea inapokosea; na mbadala ni zipi. Wikipedia inaeleza usimamizi wa hatari kwa ujumla. Rekodi tathmini na uamuzi wa mmiliki. Tathmini za athari za faragha, zinazoelezwa na Wikipedia, ni zana inayohusiana kwa data binafsi.
Viwango na mifumo. ISO/IEC 42001, iliyochapishwa mwaka 2023, inabainisha mahitaji ya mfumo wa usimamizi wa akili bandia, unaolinganishwa kimuundo na viwango vingine vya mifumo ya usimamizi ya ISO. Taasisi ya Taifa ya Viwango na Teknolojia (NIST) ya Marekani huchapisha Mfumo wa Usimamizi wa Hatari za AI, ulioandaliwa kuzunguka kazi nne: tawala, chora, pima, na simamia. Zote mbili ni zana za hiari za muundo na msamiati wa pamoja. Soma maandishi ya sasa kutoka kwa wachapishaji. Tazama mada 1.8 — Mifumo na viwango vya usimamizi wa huduma.
Sheria na kanuni. AI iko chini ya sheria zilizopo, kama za ulinzi wa data, ulinzi wa watumiaji, ubaguzi, ajira, na mali ya kiakili, pamoja na kanuni mpya mahususi za AI. Wikipedia inaeleza udhibiti wa akili bandia kati ya mamlaka, unaobadilika haraka. Wajibu hutegemea unapoendesha na unachofanya. Mwongozo huu hauwezi kukuambia kipi kinatumika.
Ulinzi wa data na faragha. Mifumo ya AI mara nyingi huchakata data binafsi. Sheria kama General Data Protection Regulation (GDPR) katika Umoja wa Ulaya huweka kanuni kuhusu msingi halali, kusudi, kupunguza, haki za watu binafsi, na katika baadhi ya visa vikomo vya maamuzi ya kiotomatiki. Wikipedia inaeleza GDPR na faragha. Shirikisha afisa wako wa faragha au mshauri wa kisheria, na urekodi data inaenda wapi, inahifadhiwa kwa muda gani, na kama inafunza modeli yoyote.
Upendeleo na haki. AI iliyofunzwa kwa data ya zamani inaweza kuzaa mifumo isiyo ya haki, ili baadhi ya watu wapate matokeo mabaya zaidi. Wikipedia inaeleza upendeleo wa algorithimu na haki katika kujifunza kwa mashine. Jaribu tofauti za matokeo kati ya vikundi vinavyohusika na matumizi, na upitie nani anaathiriwa, si utendaji wa wastani tu. Amua kinachokubalika kabla ya uzinduzi.
Uwazi na uwezo wa kueleza. Watu walioathirika na mfumo wa AI wanapaswa kujua unatumika, na kwa maamuzi makubwa wanapaswa kuweza kupata maelezo na njia ya kupinga. Wikipedia inaeleza uwazi wa algorithimu na AI inayoweza kuelezwa. Kiwango sahihi hutegemea dau.
Usimamizi wa binadamu. Mtu anayeweza kuelewa, kuhoji, na kubatilisha mfumo, akiwa na muda na taarifa za kufanya hivyo. Tazama mada 5.5 — AI ya kiwakala na usimamizi wa binadamu. Usimamizi uliopo kwenye karatasi tu ni matokeo ya kawaida ya ukaguzi.
Usalama. Mifumo ya AI inaweza kushambuliwa (kwa mfano kwa sindano ya maelekezo), inaweza kuvujisha data, na inaweza kutenda bila kutarajiwa. Red-teaming, inayoelezwa na Wikipedia, ni zoea la kujaribu mfumo kwa kuiga adui. Tazama mada 3.13 — Usimamizi wa Usalama wa Taarifa.
Mali ya kiakili. Maswali huibuka kuhusu nyenzo zilizotumika kufunza modeli, umiliki wa matokeo, na leseni za modeli zenyewe. Wikipedia inaeleza mali ya kiakili na hakimiliki. Tazama mada 4.2 — Usimamizi wa Mali za Programu. Tafuta ushauri kuhusu jinsi haya yanavyokuathiri.
Uwajibikaji na majukumu. Utawala unahitaji majukumu wazi: mfadhili wa watendaji, chombo kinachoweka sera na kupitia matumizi ya hatari kubwa, wamiliki kwa kila mfumo, na wataalamu wa usalama, faragha, na masuala ya kisheria. Wikipedia inaeleza uwajibikaji. Epuka kamati inayoidhinisha kila kitu na kuzuia kazi; hifadhi mapitio kwa matumizi ya hatari kubwa.
Udhibiti wa mzunguko wa maisha. Udhibiti unatumika katika maisha yote ya mfumo: usanifu (kusudi, data, hatari), jenga au nunua (uchunguzi wa kina, mikataba, majaribio), peleka (idhini, ufuatiliaji), endesha (utendaji, kuteleza, matukio ya hitilafu), na staafisha. Tazama mada 3.14 — Usimamizi wa Wasambazaji.
Rekodi. Weka ushahidi: orodha, tathmini za hatari, matokeo ya majaribio, idhini, rekodi za matukio ya hitilafu, na kumbukumbu za matumizi. Rekodi zinaunga mkono ukaguzi, kujifunza, na changamoto kutoka kwa watu walioathirika.
Lenzi zinavyolingana. Utawala ni tabaka la udhibiti kuzunguka lenzi ya AI. Zoea la uchapuchapu linapendekeza mapitio ya haraka, sawia, yenye mipaka ya ulinzi ambayo timu zinaweza kutumia bila kusubiri. Uendeshaji otomatiki unaweza kutekeleza kanuni, kama kuzuia data nyeti isiende kwa zana zisizoidhinishwa. Uchanganuzi hutoa ushahidi wa ufuatiliaji.
Mazoea bora
- Jenga orodha kwanza. Uliza timu, kagua mipangilio ya wauzaji, na upitie data ya mtandao na gharama. Rekodi kila mfumo wa AI na mmiliki na kusudi.
- Ainisha kwa hatari. Fafanua viwango vichache vya hatari vyenye mifano, kama ndogo (kuandaa maandishi ya ndani), wastani (majibu yanayomwelekea mteja), na kubwa (maamuzi yanayoathiri haki au usalama wa watu). Funga kiwango cha mapitio na kiwango cha hatari.
- Taja mmiliki wa kila matumizi. Mtu mmoja anayewajibika kwa kila mfumo, anayetia sahihi tathmini ya hatari na kujibu utendaji na matukio ya hitilafu.
- Fanya sera fupi, wazi. Taja data gani inaweza kwenda kwa zana zipi, matumizi gani yanahitaji idhini, nini kisifanywe kamwe, na nani wa kuuliza. Iweke kwenye kurasa chache, na uchapishe mifano.
- Toa zana na njia zilizoidhinishwa. Wafanyakazi wasipokuwa na njia iliyoidhinishwa ya kutumia AI, watatumia zisizoidhinishwa. Toa zana zenye masharti sahihi na njia ya haraka ya idhini.
- Tathmini kabla na jaribu baada. Fanya tathmini ya hatari sawia kabla matumizi hayajaanza, na ujaribu kwa visa halisi, ikijumuisha ukaguzi wa upendeleo na matumizi mabaya. Rudia baada ya mabadiliko makubwa.
- Kagua wauzaji na masharti. Uliza wauzaji wanatumiaje data yako, wanajaribu vipi, wanakuambia vipi kuhusu mabadiliko ya modeli, na nini kinatokea kwa data mwishoni. Rekodi majibu. Tazama mada 3.14 — Usimamizi wa Wasambazaji.
- Fafanua usimamizi wa binadamu kwa vitendo. Kwa kila matumizi, sema nani anapitia nini, kwa taarifa gani, na mara ngapi, na uchukue sampuli ya mapitio.
- Fuatilia na ushughulikie matukio ya hitilafu. Fuatilia makosa, malalamiko, kuteleza, na matukio ya usalama. Chukulia matukio ya hitilafu ya AI kama mengine, na ujifunze kutoka kwayo. Tazama mada 3.2 — Usimamizi wa Matukio ya Hitilafu.
- Pitia mara kwa mara na uweke rekodi. Pitia tena orodha na viwango vya hatari angalau kila mwaka na sheria au mifumo inapobadilika. Weka ushahidi mahali pamoja.
Maswali ya kujadili na timu yako
Tunatumia AI wapi leo, nani anamiliki kila matumizi, na nini kinaweza kwenda vibaya? Jenga orodha ya kwanza. Tarajia mapengo, hasa vipengele vya wauzaji na zana binafsi. Ili kwenda mbali zaidi, chagua matatu hatari zaidi na uteue wamiliki.
Ni matumizi yetu yapi yanaathiri ufikiaji, pesa, afya, au ajira za watu, na yanapata mapitio gani? Tafuta matumizi ya hatari kubwa. Tarajia kutokuwa na uhakika kuhusu kinachohesabiwa. Ili kwenda mbali zaidi, shirikisha washauri wa kisheria na faragha katika uainishaji.
Wafanyakazi wanaweka data gani kwenye zana za AI, na wanajua kanuni? Uliza bila kujulikana ikihitajika. Tarajia mshangao. Ili kwenda mbali zaidi, kubaliana kanuni wazi yenye mifano na utoe mbadala ulioidhinishwa.
Tungemwonyesha nini mdhibiti au mteja anayeuliza tunadhibiti vipi AI yetu? Kusanya kilichopo. Tarajia faili nyembamba. Ili kwenda mbali zaidi, chagua nyaraka tatu za kutoa: orodha, sera, na tathmini moja ya hatari.
Tunajaribu vipi matokeo yasiyo ya haki, na tuangalie vikundi vipi? Fikiria watu walioathirika na kila matumizi. Tarajia kwamba hakuna aliyejaribu. Ili kwenda mbali zaidi, chagua matumizi moja na ubuni ulinganisho rahisi kati ya vikundi, kwa ushauri.
Nani anaweza kusema hapana kwa matumizi ya AI, na nini kinatokea wanapofanya hivyo? Utawala bila mamlaka ya kusimamisha ni mapambo. Tarajia majibu yasiyo wazi. Ili kwenda mbali zaidi, taja mwamuzi kwa matumizi ya hatari kubwa na kiwango cha huduma kwa mapitio.
Kwa vitendo: mfano wa usimamizi wa huduma
Wakala wa taifa wa hifadhi ya jamii unatumia AI katika sehemu kadhaa: wakala pepe wa muuzaji kwenye tovuti yake ya umma, zana inayofupisha madokezo ya kesi kwa wafanyakazi wa kesi, msaidizi wa mwendelezaji unaotumiwa na wafanyakazi wake wa TEHAMA, na jaribio linalotia alama makosa yanayowezekana katika madai ya manufaa kwa mapitio. Hakuna rekodi kuu, na ofisi ya waziri imeuliza wakala jinsi unavyodhibiti AI.
Afisa mkuu wa taarifa anaomba ofisi ya usimamizi wa huduma kujenga orodha ndani ya wiki sita. Inapata matumizi kumi na moja, ikijumuisha mawili ambayo hakuna katika idara ya TEHAMA aliyejua: kipengele cha kufupisha maandishi ambacho muuzaji aliwasha katika mfumo wa usimamizi wa kesi, na zana ya unukuzi inayotumiwa na ofisi moja ya kikanda kwa akaunti binafsi. Timu inaainisha matumizi kwa hatari pamoja na afisa wa faragha na idara ya sheria. Jaribio la kutia alama madai linaainishwa kuwa la hatari kubwa, kwa kuwa matokeo yake yanaweza kusababisha hatua dhidi ya mtu; muhtasari wa madokezo ya kesi ni wa wastani; msaidizi wa mwendelezaji ni mdogo, ingawa unabeba maswali ya leseni.
Kwa kila matumizi, mmiliki anatajwa. Kwa jaribio la madai, mmiliki anaagiza tathmini ya hatari, ikijumuisha ulinganisho wa viwango vya kutia alama kati ya vikundi na kanuni kwamba hakuna anayenyimwa manufaa kwa matokeo ya zana pekee. Zana ya unukuzi inasimamishwa hadi mbadala ulioidhinishwa upatikane; ofisi ya kikanda inapewa zana iliyoidhinishwa na muuzaji chini ya mkataba wenye masharti ya ulinzi wa data. Sera ya kurasa nne inaweka kanuni kuhusu data na idhini, na njia fupi ya mapitio inaahidiwa ndani ya siku kumi za kazi kwa matumizi ya wastani.
Kinachobadilika: wakala unaweza kujibu waziri kwa orodha, sera, na tathmini ya hatari kwa matumizi yake ya hatari kubwa zaidi. Kinachobaki kigumu: vipengele vya wauzaji vinavyowashwa kwa chaguo-msingi vinaendelea kuonekana, na wakala hauna njia ya kiotomatiki ya kuvigundua; ulinganisho kati ya vikundi umepunguzwa na data ambayo wakala huenda isiweze kuishikilia kisheria; na ahadi ya mapitio ya siku kumi inabana timu ndogo. Ofisi inapanga mapitio ya robo mwaka ya vipengele vya wauzaji na ombi la mwongozo wa kisheria kuhusu majaribio.
Mitazamo minne
Timu za bidhaa na utoaji
Sajili matumizi yako ya AI, tathmini hatari mapema, jaribu kwa visa halisi na vya uadui, na urekodi mfumo unaweza kufanya nini. Jenga njia kwa watu kupinga matokeo na kwako kuuzima.
Timu za huduma na uendeshaji
Fuatilia mifumo ya AI katika uzalishaji, shughulikia matukio ya hitilafu, na uripoti makosa na malalamiko. Fuata kanuni za data, na uwaambie wamiliki kuhusu vipengele vipya vya AI vinavyoonekana katika zana zako.
Uongozi na utawala
Fadhili programu, taja haki za maamuzi, na ufadhili kazi. Omba orodha, viwango vya hatari, na ushahidi wa majaribio. Usikabidhi uwajibikaji kwa wauzaji au kamati.
Wateja na watumiaji
Unapaswa kuambiwa AI inapotumika kwa njia zinazokujalisha, na uweze kufikia mtu na kupinga maamuzi. Uliza data yako inatumikaje, na uripoti matokeo yanayoonekana yasiyo sahihi au yasiyo ya haki.
Uchapuchapu, AI, uendeshaji otomatiki na uchanganuzi
Uchapuchapu
Toa mapitio ya haraka, sawia yenye mipaka ya ulinzi ambayo timu zinaweza kufuata, kama zana zilizoidhinishwa na orodha hakiki fupi kwa matumizi ya hatari ndogo. Rudia sera na timu. Tahadhari: mapitio ya polepole, mazito huzisukuma timu kuyakwepa; weka njia ya hatari ndogo iwe ya haraka.
AI
AI inaweza kusaidia kuandaa sera, kusoma masharti ya wauzaji, na kuandaa tathmini za hatari, chini ya mapitio ya kisheria na ya binadamu. Taja mmiliki wa matumizi hayo pia. Tahadhari: muhtasari wa AI wa sheria au mkataba unaweza kuwa si sahihi; usiutumie kamwe kama msingi wa uamuzi wa uzingatiaji. Tazama mada 5.1 — AI katika usimamizi wa huduma.
Uendeshaji otomatiki
Fanya malisho ya orodha, kanuni za kuzuia upotevu wa data, idhini kwa matumizi ya hatari ndogo, na kumbukumbu kuwa vya kiotomatiki, vikiwa na ubaguzi unaopitiwa. Tahadhari: kuzuia kiotomatiki kunaweza kupeleka kazi kwenye vifaa binafsi; oanisha na mbadala ulioidhinishwa. Tazama mada 6.1 — Mkakati wa uendeshaji otomatiki.
Uchanganuzi
Fuatilia sehemu ya matumizi ya AI yenye wamiliki na tathmini, matukio ya hitilafu, malalamiko, matokeo ya majaribio, na muda wa mapitio. Tahadhari: hesabu za tathmini zilizokamilika zinaweza kuzawadia makaratasi; kagua sampuli kwa ubora na kama udhibiti unafanya kazi. Tazama kitabu cha Service Management Metrics na mada 7.3 — Upimaji na utoaji taarifa.
Njia za kawaida za kushindwa
- Hakuna orodha. Matumizi yanaongezeka bila kuonekana. Jenga na usasishe orodha.
- Mapitio ya ukubwa mmoja kwa wote. Kila kitu kinazuiwa au hakuna kinachopitiwa. Pima mapitio kwa hatari.
- Sera ambayo hakuna anayeweza kuifuata. Wafanyakazi wanaipuuza. Andika kanuni fupi zenye mifano na utoe zana zilizoidhinishwa.
- Utawala kama makaratasi. Nyaraka zipo na udhibiti haupo. Jaribu kwamba udhibiti unafanya kazi.
- Kuamini madai ya wauzaji. Masharti na tabia havijakaguliwa. Uliza, jaribu, na urekodi.
- Kupuuza watu walioathirika. Upendeleo na madhara havionekani. Jaribu matokeo kati ya vikundi na utoe njia ya kupinga.
- Kuchukulia ushauri wa kisheria kama kitu AI inaweza kutoa. Muhtasari mbaya unaendesha maamuzi. Tumia washauri waliohitimu.
Modeli ya ukomavu
| Kipimo | Kuanzisha | Kuendeleza | Kusanifisha | Kusimamia | Kuratibu |
|---|---|---|---|---|---|
| Orodha na umiliki | Matumizi yasiyojulikana | Matumizi makuu yameorodheshwa | Orodha yenye wamiliki na viwango vya hatari | Orodha inapitiwa na kuthibitishwa kwa ugunduzi | Orodha imeunganishwa na katalogi, ununuzi, na udhibiti |
| Hatari na majaribio | Kiholela | Baadhi ya tathmini | Tathmini sawia na majaribio kabla ya uzinduzi | Matokeo yanafuatiliwa na kutendewa kazi | Uhakikisho endelevu kati ya mifumo na wasambazaji |
| Sera na data | Hakuna | Mwongozo wa rasimu | Sera wazi, zana zilizoidhinishwa, na kanuni za data | Uzingatiaji unafuatiliwa na kukaguliwa | Kanuni zinatekelezwa na zana na kurekebishwa kwa mabadiliko |
| Usimamizi na uwajibikaji | Haujawazi | Mfadhili aliyetajwa | Majukumu yaliyofafanuliwa, njia ya mapitio, na usimamizi wa binadamu | Ubora wa usimamizi unachukuliwa sampuli | Utawala unaratibiwa kati ya biashara nzima na washirika |
Orodha hakiki
- Tunaweka orodha ya AI yenye wamiliki na makusudi.
- Kila matumizi yana kiwango cha hatari, na mapitio sawia nacho.
- Sera fupi inashughulikia data, idhini, na matumizi yaliyokatazwa.
- Zana zilizoidhinishwa na njia ya haraka ya mapitio zipo.
- Matumizi ya hatari kubwa yana tathmini ya hatari iliyorekodiwa na majaribio, ikijumuisha kwa upendeleo.
- Masharti ya wauzaji kuhusu data, majaribio, na mabadiliko ya modeli yamerekodiwa.
- Usimamizi wa binadamu umefafanuliwa na kuchukuliwa sampuli.
- Tumewauliza washauri wa kisheria na faragha kuhusu wajibu wetu.
Maelekezo ya AI
Andaa ingizo la orodha kutoka kwa madokezo.
Here are notes on an AI use: [paste].
Draft an inventory entry with: purpose, owner (only if stated), vendor or model (only if stated), data used, people affected, decisions it influences, and proposed risk level with the reasons. Mark each item not in the notes as [missing]. Do not state legal obligations.
List what you are unsure of.
Andaa maswali kwa muuzaji.
We are considering an AI product from a vendor for [use]. What we know of it: [paste].
Write 20 questions for the vendor about data use and retention, training on our data, testing for accuracy and bias, security, model changes, incident notification, and exit. Do not assume answers.
List what you are unsure of.
Panga tathmini ya hatari kwa mapitio.
AI use: [describe]. People affected: [list]. Decisions influenced: [list]. Current controls: [list].
Draft a risk assessment table with: harm, who is affected, likelihood and severity (marked as my estimate to be confirmed), existing controls, further controls to consider, and questions for the owner. Do not give legal conclusions.
List what you are unsure of.
Ujuzi wa AI
- risk-register: tumia kurekodi hatari za AI, wamiliki, na maamuzi.
- machine-learning-model-card: tumia kuandika kusudi la modeli, data, utendaji, na mipaka.
- legal-data-privacy-compliance: tumia kupangilia maswali ya faragha kwa mshauri wako wa kisheria.
- legal-compliance-audit: tumia kuandaa ushahidi na maswali kwa ukaguzi.
- data-governance: tumia kuweka umiliki na kanuni za data ambayo AI inatumia.
Vyanzo vikuu
- NIST, AI Risk Management Framework: mfumo wa hiari unaotumika sana wa kusimamia hatari za AI.
- ISO/IEC 42001 (the standard itself): mahitaji ya mfumo wa usimamizi wa AI; soma toleo la sasa kutoka kwa mchapishaji.
- Maandishi ya European Union Artificial Intelligence Act na mwongozo kutoka kwa wadhibiti wako mwenyewe: vyanzo vyenye mamlaka vya wajibu wa kisheria.
- Wikipedia, "Regulation of artificial intelligence" and "Ethics of artificial intelligence": muhtasari wa mandhari.
Marejeo
- Regulation of artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Regulation_of_artificial_intelligence
- Artificial Intelligence Act — Wikipedia — https://en.wikipedia.org/wiki/Artificial_Intelligence_Act
- Ethics of artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Ethics_of_artificial_intelligence
- Algorithmic bias — Wikipedia — https://en.wikipedia.org/wiki/Algorithmic_bias
- Fairness (machine learning) — Wikipedia — https://en.wikipedia.org/wiki/Fairness_(machine_learning)
- General Data Protection Regulation — Wikipedia — https://en.wikipedia.org/wiki/General_Data_Protection_Regulation
- Privacy impact assessment — Wikipedia — https://en.wikipedia.org/wiki/Privacy_impact_assessment
- Governance, risk, and compliance — Wikipedia — https://en.wikipedia.org/wiki/Governance,_risk,_and_compliance
- Risk management — Wikipedia — https://en.wikipedia.org/wiki/Risk_management
- Red team — Wikipedia — https://en.wikipedia.org/wiki/Red_team
- Explainable artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Explainable_artificial_intelligence
- AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework