感谢您发送咨询!我们的团队成员将很快与您联系。
感谢您发送预订!我们的团队成员将很快与您联系。
课程时长 14 小时
课程大纲
基础:面向技术团队的EU AI Act
- 开发人员和操作员的相关义务和术语
- 从技术角度理解第4条下的禁止行为
- 将法律要求映射到工程控制
安全合规的开发生命周期
- AI项目的仓库结构和策略即代码
- 代码审查和针对风险模式的自动化静态检查
- 模型组件的依赖和供应链管理
合规的CI/CD管道设计
- 管道阶段:构建、测试、验证、打包、部署
- 集成治理门和自动化策略检查
- 工件不可变性和来源追踪
模型测试、验证和安全检查
- 数据验证和偏见检测测试
- 性能、鲁棒性和对抗性韧性测试
- 自动化验收标准和测试报告
模型注册、版本控制和来源
- 使用MLflow或等效工具进行模型谱系和元数据管理
- 对模型和数据集进行版本控制以确保可重现性
- 记录来源并生成可审计的工件
运行时控制、监控和可观测性
- 为输入、输出和决策记录日志的仪器化
- 监控模型漂移、数据漂移和性能指标
- 告警、自动回滚和金丝雀部署
安全、访问控制和数据保护
- 模型训练和服务环境的最小权限IAM
- 保护静态和传输中的训练和推理数据
- 秘密管理和安全配置实践
可审计性和证据收集
- 生成机器可读日志和人类可读摘要
- 为符合性评估和审计打包证据
- 合规工件的保留策略和安全存储
事件响应、报告和补救
- 检测疑似禁止行为或安全事件
- 遏制、回滚和缓解的技术步骤
- 为治理和监管机构准备技术报告
总结和后续步骤
要求
- 了解软件开发和部署工作流程
- 具备容器化和基本Kubernetes概念的经验
- 熟悉基于Git的源代码控制和CI/CD实践
受众
- 构建或维护AI组件的开发人员
- 负责部署的DevOps和平台工程师
- 管理基础设施和运行时环境的管理员