课程大纲

基础:面向技术团队的欧盟人工智能法案

  • 开发人员和操作人员的相关义务与术语。
  • 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。

安全与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流水线设计

  • 流水线阶段:构建、测试、验证、打包、部署。
  • 集成治理门控和自动化策略检查。
  • 工件不可变性和来源追踪。

模型测试、验证与安全检查

  • 数据验证和偏差检测测试。
  • 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、版本控制与来源追踪

  • 使用MLflow或类似工具记录模型谱系和元数据。
  • 模型和数据集的版本控制,确保可重复性。
  • 记录来源并生成可审计的工件。

运行时控制、监控与可观测性

  • 日志记录输入、输出和决策的工具化。
  • 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。

安全性、访问控制与数据保护

  • 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。
  • 密钥管理和安全配置实践。

可审计性与证据收集

  • 生成机器可读的日志和人类可读的摘要。
  • 打包证据用于符合性评估和审计。
  • 保留政策和合规工件的安全存储。

事件响应、报告与修复

  • 检测可疑的禁止行为或安全事件。
  • 包含、回滚和缓解的技术步骤。
  • 为治理和监管机构准备技术报告。

总结与下一步

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的版本控制和CI/CD实践。

目标受众

  • 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。
 14 小时

即将举行的公开课程

课程分类