Tag: model-governance-risk-management
-
【AI 核心深度 M8-068】解释模型卡（model card）的内容与作用。（Explain the Purpose, Structural Architecture, and Governance Utility of Model Cards in Machine Learning）深度数理推导与工程落地解析
模型卡记录预期用途、训练数据、评估结果（含分群）、局限与伦理考量，供使用者判断适用边界、供审计方核查，是模型透明与问责的基础文档。
-
【AI 核心深度 M8-069】解释公平性度量的主要定义与不可能定理。（Explain Primary Algorithmic Fairness Formulations and the Impossibility Theorem of Machine Learning Fairness）深度数理推导与工程落地解析
常见定义有人口统计均等（DP）、均等机会（EO）、均等赔率；多个定义通常不可同时满足（不可能定理），需按场景与法规选主指标并明确权衡。
-
【AI 核心深度 M8-070】解释偏见的来源与缓解层次。（Explain the Lifecycle Taxonomy of Machine Learning Bias and the Three-Tier Mitigation Hierarchy）深度数理推导与工程落地解析
偏见来自历史数据、采样、标注、特征代理与目标设定；缓解分预处理（数据）、处理中（约束/正则/对抗）、后处理（阈值校准）三个层次。
-
【AI 核心深度 M8-071】解释高风险场景下的模型验证要求。（Explain Model Validation, Stress Testing, and Governance Frameworks for High-Risk Machine Learning Deployments）深度数理推导与工程落地解析
需更强文档（模型卡/数据卡）、分群与对抗评估、鲁棒性与不确定性量化、人机协同与申诉机制、上线后持续监控与定期复审。
-
【AI 核心深度 M8-072】解释模型风险登记（risk register）的作用与内容。（Explain the Architecture, Risk Taxonomy, and Operational Lifecycle of a Model Risk Register）深度数理推导与工程落地解析
系统性登记风险项、可能性、影响、缓解措施与责任人，定期复核，把模型风险管理从一次性评估变为持续流程。