Tag: science-depth
-
【AI 核心深度 M8-060】解释事故复盘的要点与产出（Explain Blameless Incident Postmortems: Timelines, Latent Conditions, and Actionable Remediation）深度数理推导与工程落地解析
无指责文化、聚焦系统性根因（多因素 + 触发条件）、量化影响、产出可验证且有时限的行动项，并回填监控、测试与演练。
-
【AI 核心深度 M8-061】解释冗余与故障隔离如何限制爆炸半径（Explain Redundancy Architectures, Bulkheads, and Fault Domain Blast Radius Containment）深度数理推导与工程落地解析
多副本/多可用区消除单点、提升可用性；舱壁（bulkhead）按资源池隔离防止一个租户或接口拖垮全局；故障域设计决定爆炸半径。
-
【AI 核心深度 M8-062】解释幂等性与精确一次语义的实现（Explain Idempotency Design Patterns and Effectively-Once Processing Semantics in Distributed Systems）深度数理推导与工程落地解析
重试与重放必须幂等（请求 ID 去重、唯一键写入、状态机去重）；端到端精确一次通常由’至少一次 + 幂等’实现，即有效一次（effectively-once）。
-
【AI 核心深度 M8-063】解释差分隐私的核心思想与 (epsilon, delta) 的含义（Explain Differential Privacy: Core Principles, (epsilon, delta) Guarantees, and DP-SGD Mechanics）深度数理推导与工程落地解析
通过向查询结果加噪，使仅相差一条记录的相邻数据集输出分布几乎不可区分；(ε,δ) 量化隐私损失，ε 越小隐私越强但效用越低。
-
【AI 核心深度 M8-064】解释 PII 识别与脱敏的处理流程（Explain Personally Identifiable Information (PII) Detection, Quasi-Identifiers, and Sanitization Pipelines）深度数理推导与工程落地解析
流程为检测（正则/词典/NER/分类器）→ 分类（直接/间接标识符）→ 脱敏（掩码/哈希/泛化/合成/加噪）→ 访问控制与审计。
-
【AI 核心深度 M8-065】解释数据最小化与目的限制原则（Explain Data Minimization, Purpose Limitation, and GDPR Article 5 Compliance in ML Systems）深度数理推导与工程落地解析
只收集达成目的所必需的数据、只用于声明的目的、只保留必要期限；这是 GDPR 等法规的核心原则，也从根本上降低泄露与滥用风险。
-
【AI 核心深度 M8-066】解释模型反演与成员推断攻击及其防御（Explain Membership Inference and Model Inversion Attacks: Theoretical Mechanics and Defenses）深度数理推导与工程落地解析
成员推断判断某样本是否在训练集，反演重建训练样本；防御包括差分隐私训练、正则化与早停、输出裁剪与置信度限制、限制查询次数与访问。
-
【AI 核心深度 M8-067】解释合规审计需要哪些能力与证据（Explain Compliance Auditing in Machine Learning: Capabilities, Evidence Artifacts, and Regulatory Readiness）深度数理推导与工程落地解析
需要数据血缘与版本、模型与实验的可追溯、访问与变更审计日志、同意与目的记录、以及可导出的证据与定期评估（DPIA）。
-
【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。