- 综合排序
- 最热优先
- 最新优先
【全球AI伦理治理】
AI伦理治理框架的全球协同案例 欧盟《人工智能法案》提出基于风险分级的四层治理体系，禁止社会评分等高风险应用。OECD的AI政策观察站已收录全球700余项政策倡议，形成跨国数据库共享机制。 新加坡的Model AI Governance Framework为亚洲企业提供可认证的伦理操作手册。 美国NIST的AI风险管理框架（RMF）采用模块化设计，包含测量标准与测试工具包。 日本社会5.0计划将AI伦理纳入智慧城市基础设施标准，通过区块链技术实现算法审计追踪。 多利益相关方协同机制 联合国教科文组织的《AI伦理建议书》获得193国采纳，建立全球论坛平台。 企业联盟如Partnership on AI推动跨行业协作，发布《负责任的AI实践指南》。蒙特利尔宣言构建了研究人员伦理承诺体系，通过数字签名实现全球联署。 伦理治理效果评估需结合定量与定性指标： 技术指标：算法偏差系数 \Delta = \frac{|P(y|g_1) - P(y|g_2)|}{\max(P(y|g_1), P(y|g_2))} 过程指标
22110编辑于 2026-01-20- 来自专栏java架构计划训练营
SpringCloud Feign服务治理(2)
2、在调用方和被调用方服务启动类入口添加注解，并配置扫描路径 @EnableDiscoveryClient //让注册中心能够发现这个服务 @EnableFeignClients(basePackages
22710编辑于 2022-06-14 AI版权全球治理观察
（三）治理特征：通过行政机构“介入式监管”直面版权争议深水区同风险把控相对应的是执法监管，欧盟AI版权治理的强监管特征已经慢慢呈现。 根据“AI法案”的规定，欧盟AI办公室作为法案的执行机构，将会直接参与到AI版权具体治理中。 截至2024年9月，美国版权局共裁决了四起AIGC版权注册行政案件：包括2022年2月14日“最近的天堂入口”案、2023年2月21日“黎明的扎里亚”案、2023年9月5日“太空歌剧院”案、2023年12 为此，日本文化厅自2023年7月26日至2024年2月29日之间，密集就“生成式人工智能与著作权相关问题”召开了7次讨论会，并梳理了各界对于AI版权议题的关注重点。 （二）治理特征：依靠行政机关的细化指导以明确AI版权规则的落地适用应当说，在AI版权治理领域日本相较于其他国家和地区，展示出了极大的规则勇气，是唯一在细化规则和落地执行层面给予明确性回应的国家。
90110编辑于 2025-04-22- 来自专栏瞎说开发那些事
服务治理 2 --- Eureka集群
一、 高可用注册中心 在上一篇[微服务系列] 服务治理—Eureka文章中，介绍了服务注册中心的单节点搭建部署。 然而在常用的微服务结构设计中，一般都是采用分布式的环境，以避免单机故障导致服务调用不可用，所以需要对微服务中的各个组件进行高可用的部署，服务治理中的服务注册中心也是一样。 本章将结合以下的拓扑图构建高可用的服务治理。 ? 三、 快速实践 01 1. 02 2. 服务的发现与消费 1. 生产服务 服务发现与消费主要涉及到两个内容：一是发现服务，而是对发现的服务进行消费(即调用)。 2. 消费服务 服务消费者采用Ribbon负载均衡器来实现。
719100发布于 2018-06-19 - 来自专栏深度学习与python
是时候好好治理 AI 模型了！
企业应该投资治理 还是扩大现有 AI 解决方案？ 对企业来说，现有资金到底应该投入到机器学习治理流程，还是应该继续扩展现有的机器学习解决方案呢？ 机器学习治理的出现便是为了更好地构建负责任的 AI，全面实施负责任的 AI 有助于企业将风险降至最低。 事实上，Gartner 预计，到 2023 年所有为 AI 开发和训练工作而招聘的人员，都需要展示自己拥有负责任的 AI 方面的专业知识。 负责任的 AI 可能看起来令人生畏，因为这其中有许多子领域都需要关注（例如公平性、透明度、问责制、安全性、可靠性、隐私、安全、治理等），要在人工智能生命周期的所有阶段实施，包括设计、开发和部署。 提到 AI，我们最常说的一句话是“落地为王”，现在是时候将部分工作交由“负责任的 AI”来保证了（点击阅读原文轻松开启机器学习治理流程）。 今日好文推荐 想彻底改变云行业！
62920编辑于 2023-03-29 AI+Data：AI时代的企业数据治理
对于部署AI应用的企业来说，数据资源的质量直接决定了AI应用能否成功落地。因此，在推进AI应用的过程中，开展针对性的数据治理工作是首要且必要的步骤。 为了确保AI模型的有效性和准确性，必须保证数据的完备性和准确性。有效的数据治理不仅可以为AI模型提供高质量的数据原料，还能提高模型的拟合效果，进而增强AI应用的实际性能。 2 医疗行业在医疗行业中，AI的应用已经从医院管理类应用逐渐深入到核心业务当中，有效提升了医院的整体运营效率和诊疗水平。特别是在电子病历（EMR）和医学影像两大核心数据资源上，AI展现出了强大的潜力。 [1] Statista Digital Economy Compass 2019[2] 中国信息通信研究院《大数据白皮书》（2020）[3] 艾瑞咨询《中国面向人工智能的数据治理行业研究报告》（2022 ）[4] 数据管理协会（DAMA国际）《DAMA数据管理知识体系指南》（第2版）
1.1K10编辑于 2025-01-03- 来自专栏写代码和思考
Spring Cloud 学习笔记(2) 服务治理 Eureka
2. 知识 Eureka 是 Spring Cloud Netflix 微服务套件中的一部分。Netflix Eureka来实现服务注册与发现， 它包含了服务端和客户端组件。 服务注册:在服务治理框架中， 通常都会构建一个注册中心， 每个服务单元向注册中心登记自己提供的服务， 将主机与端口号、 版本号、 通信协议等一些附加信息告知注册中心， 注册中心按服务名分类组织服务清单。 image.png 在完成了服务注册中心的搭建之后，接下将一个Spring Boot 应用加 入 Emeka 的服务治理体系中去。 示例 我们将搭建 peer1 和 peer2 两个 Eureka，互相注册。一旦注册完毕后，它们之间将会互相同步。 1112/eureka/ 步骤2，第二个 Eureka 服务：peer2 的配置 修改配置文件 application.properties server.port=1112 spring.application.name
45730发布于 2021-05-13 - 来自专栏资讯分享
迈向负责任 AI：中国 AI 治理趋势与展望
[2]总之，作为引领新一轮科技革命和产业变革(第四次工业革命)的战略性技术，AI有望重塑人类经济社会，对生产力、劳动就业、收入分配、全球化等都将带来巨大影响。 2017年7月，中国发布《新一代人工智能发展规划》，AI上升为国家战略；2018年4月，欧盟出台AI战略，旨在让欧盟成为世界级的AI中心并确保AI是以人为本的、可信的；2019年2月，《美国AI计划》发布 AI治理的八个趋势 宏观战略与落地政策并举，培育国家AI竞争力 自2013年2月发布的《关于推进物联网有序健康发展的指导意见》提出“经济社会智能化发展”以来，AI便进入国家宏观战略的视野，成为国家顶层政策文件的重要议题 主要体现为：(1)更广泛的联通性，网络的连接和数据的收集、处理无处不在；(2)更强的自主性，AI系统驱动各种产品和服务独立运行，无须人类干预；(3)更深的不透明性，AI系统的“算法黑箱”难以被理解和解释 在国外，从提出AI伦理原则，到成立内部的AI伦理治理机构，再到开发管理和技术工具甚至商业性的负责任AI解决方案，科技公司探索出了较为成熟的经验，积累了很多可资推广的实践做法(表2)[13]。
70120编辑于 2023-08-03 - 来自专栏腾讯研究院的专栏
迈向负责任 AI：中国 AI 治理趋势与展望
[2]总之，作为引领新一轮科技革命和产业变革(第四次工业革命)的战略性技术，AI有望重塑人类经济社会，对生产力、劳动就业、收入分配、全球化等都将带来巨大影响。 2017年7月，中国发布《新一代人工智能发展规划》，AI上升为国家战略；2018年4月，欧盟出台AI战略，旨在让欧盟成为世界级的AI中心并确保AI是以人为本的、可信的；2019年2月，《美国AI计划》发布 AI治理的八个趋势 宏观战略与落地政策并举，培育国家AI竞争力 自2013年2月发布的《关于推进物联网有序健康发展的指导意见》提出“经济社会智能化发展”以来，AI便进入国家宏观战略的视野，成为国家顶层政策文件的重要议题 主要体现为：(1)更广泛的联通性，网络的连接和数据的收集、处理无处不在；(2)更强的自主性，AI系统驱动各种产品和服务独立运行，无须人类干预；(3)更深的不透明性，AI系统的“算法黑箱”难以被理解和解释 在国外，从提出AI伦理原则，到成立内部的AI伦理治理机构，再到开发管理和技术工具甚至商业性的负责任AI解决方案，科技公司探索出了较为成熟的经验，积累了很多可资推广的实践做法(表2)[13]。
85120编辑于 2023-11-16 论 AI 工程中的黑箱治理问题
更准确的表达应该是：工程师并不信任 AI 本身，而是信任围绕 AI 构建的治理系统。 状态治理 AI 主导的软件工程往往表现为“隐式有状态”。 原因包括： 上下文累积误差 历史信息污染 隐式状态不可控 可以表示为： Initial Goal → Step1 → Step2 → Step3 → Drift 最终结果与初始目标偏离。 可以抽象为： Level 1 → 单元验证 Level 2 → 端到端验证 Level 3 → 不变量校验 Level 4 → 对抗测试 Level 5 → 在线评估 每一层解决不同问题： AI 主导的软件工程正在整体转向系统治理范式。
14910编辑于 2026-03-30当AI开始在数据治理中使坏...
现在的AI就像一个黑盒子，我们知道它有问题，但不知道问题出在哪里。 AI时代，数据治理新秩序 面对这些挑战，我们不能再用传统的数据治理思路了。AI需要一套全新的数据治理体系。 只有这样，AI才能真正成为推动社会进步的力量，而不是加剧社会不公的工具。 抓住AI数据治理的红利期 现在整个行业都在谈论AI的下一个风口在哪里。 在我看来，AI数据治理就是最大的机会。 随着监管政策的收紧，那些重视数据治理的AI公司将获得巨大优势。而那些忽视数据治理的公司，随时可能因为数据安全问题被淘汰。 对于个人来说，掌握AI数据治理技能，就是掌握了这个时代的核心竞争力。 对于企业来说，现在投入数据治理，不是成本，是投资。现在治理的成本，远远低于将来出现问题后的损失。 我给团队定了一个目标：每开发一个AI项目，都要同步建立完整的数据治理流程。 AI时代的序幕才刚刚拉开，那些真正理解数据治理价值的人和企业，将在这个时代中获得最大的红利。 而忽视数据治理的，最终会被自己的"聪明"反噬。 现在，问题来了：你的AI项目，数据治理跟上了吗？
12410编辑于 2026-02-02- 来自专栏并发笔记
手写dubbo框架2-服务治理(zookeeper探讨)
开始进入主题，本文主要介绍的是服务的注册和发现，也就是图片中的第1，2，3步，既然要实现服务治理，那么我们需要一个统一管理服务东西，也就是注册中心。 这里多说一句，图中的2，3很明显是分两步来处理。如果只是从注册中心拿到provider而已，那为什么要分两步呢？而且我所认识的单词也有限，要是我取名的话我可能会给它取名叫做get、return。 听起来好像上述完全可以解决我们的服务治理的功能。但是这只是对于单个provider来说。 znode，如下 [zk: localhost:2181(CONNECTED) 1] ls /[zookeeper, faregistrys][zk: localhost:2181(CONNECTED) 2]
79261发布于 2019-07-15 - 来自专栏云云众生s
超越提示工程：提示词与AI模型治理
译自 Beyond Prompt Engineering: Governing Prompts and AI Models，作者 Jelani Harper。 基础模型库治理 管治面向任意数量企业应用的各种基础模型的用户提示和模型输出的要点是在模型库中嵌入治理工具的能力。 从架构的角度来看，组织可能有一个由分布式用户基础访问的各种聊天机器人、相似性搜索机制或其他此类文本生成AI部署的数组。 组织仍负责制定有关如何治理数据的政策，但执行取决于治理引擎的自然语言功能来理解这些非结构化文本交换。 过长的延迟可能导致采用不足和生成式AI投资的浪费。根据Loubser的说法，Privacera可以“实时扫描提示、文本摘要和其他模型输出，没有任何系统开销”。
27410编辑于 2024-03-28 ### 标题：AI驱动的开源治理——社会综合治理智慧化系统的技术突破 #### 推广文案 AI驱动的开源治理——社会综合治理智慧化系统的技术突破
以AI技术为核心，融合“技防+人防+共治”理念，打造出一套高效、智能、可扩展的城市管理利器。1. AI识别与智能监控：精准锁定不文明行为- 核心功能：实时检测城市中的不文明行为，自动生成证据链并分级预警。 2. 跨部门联动平台：数据互通，高效协作- 核心功能：打破信息孤岛，实现多部门无缝对接与快速处置。 - 技术解析： - API集成：通过标准化接口，实时共享监测数据至城管、交通、环保等部门。 多场景适配：开源灵活，全面覆盖- 核心功能：支持景区、校园、交通枢纽等多种场景，构建智慧治理网络。
25210编辑于 2025-04-09- 来自专栏希里安
微服务治理？容器治理？
可识别英语、俄语、中文等语言，感兴趣的可以看下--[Translumo](https://github.com/Danily07/Translumo) 微服务和容器治理 微服务治理和容器治理都是与分布式应用程序和容器化部署相关的领域 微服务治理（Microservices Governance）： 微服务治理是管理和维护微服务架构中的各个微服务组件的一系列策略、实践和工具。 自动化： 自动化是微服务治理的核心，包括自动部署、自动伸缩和自动化测试等。 容器治理（Container Orchestration）： 容器治理是管理容器化应用程序的一系列策略和工具。 容器治理实例 容器治理是确保容器化应用程序在分布式环境中可靠运行的一组实践和工具。 容器治理： 安全性容器治理可以管理访问控制、证书管理和数据加密，以确保数据的保密性和完整性。
1.1K40编辑于 2023-10-30 - 来自专栏【腾讯云开发者】
腾讯新闻微服务1300+接口治理实践与AI治理技术债探索
这些问题降低了研发效率，存在大量人工沟通成本，因此针对我们业务当中遇到的这些问题进行了治理，取得不错的成果，另外也比较深入思考了如何使用 AI 来治理技术债务，借此机会分享给大家，也希望大家的业务通过我们的经验给大家带来一些帮助和思考 3.4 接口生命周期治理总结 整个新闻微服务共计1300+个接口，经过我们进行全面排查和治理，确认每个接口当前的状态、责任人，共计300多接口待下线、对下线接口执行了删除操作。 04、面向未来-技术债务的 AI 时代 其实技术债务本质都依赖不开我们的代码，我们可以借助AI的手段治理代码，进而来控制包括接口、字段协议、服务技术债务，为什么使用AI治理技术债务，使用AI治理技术债务有什么优势 其实司内的工蜂代码 Copilot 对代码的 CR、辅助词的提示已经做的很不错了,这里我列出了我们的场景可以落地的一些 AI 相关债务治理的探索。 技术债务的治理是一个全局的过程，每个环节都会产生技术债务。
80911编辑于 2024-12-19 - 来自专栏燧机科技-视频AI智能分析
河道四乱AI视频监控分析系统 AI助力河湖治理
随着生态文明建设深入推进，河湖管理成为城市治理的重要课题。"四乱"问题（乱占、乱采、乱堆、乱建）不仅破坏河道生态环境，更可能引发防洪安全隐患、影响水资源可持续利用。 基于深度学习的河道四乱AI视频监控分析系统为这一领域提供了新的辅助路径，但其应用需建立在对技术能力、管理边界与生态价值的理性认知之上。 2. 四乱行为判定技术路径乱占行为识别：通过变化检测技术对比历史影像，识别河道内新增构筑物、非法占用河道行为。设定"河道保护范围内新增固定构筑物"作为有效乱占判定条件。 违规建筑监测特殊挑战：建筑形态多样、新建与既有建筑区分困难优化策略：采用变化检测技术对比历史影像，结合建筑特征库提升识别精度实测效果：在违规建筑监测场景下，识别有效检出率约83%2. 结语河道四乱AI视频监控分析系统的技术本质是"辅助工具"，其价值实现取决于三个维度：技术是否真正贴合河湖管理痛点，应用是否恪守生态保护与数据伦理底线，落地是否以赋能一线人员、提升治理效能为出发点。
10500编辑于 2026-04-08 - 来自专栏实时流式计算
【译文】数据治理与BI治理
几十年来，数据治理一直是企业关注的焦点，并随着企业数据量的急剧增长，数据治理的重要性日益凸显。然而，大规模的有效BI治理一直是一个难以实现的目标，因为它需要比传统数据治理更广泛的关注点。 毕竟，如果给用户的交付物不一致，或者缺乏适当的上下文以确保业务用户正确地理解数据，那么所谓高质量、精心治理的数据又有什么价值呢？ 有效的BI治理要求组织为数据和分析的治理建立流程。 BI门户的关键治理角色体现在以下两个场景：独立的BI治理平台，或与数据目录协同工作。 什么是数据治理？ 数据治理是一组确保有效管理和利用数据的过程和技术的集合。 组织中的分析师和数据管理员使用数据治理工具来执行公司治理政策，来促进数据的正确使用。 这些工具提供了基于AI的自动数据分类、PII数据脱敏以及BI门户中治理功能之外的其他功能。
1.5K40编辑于 2023-03-24 前沿安全框架升级：强化AI风险治理新举措
强化前沿安全框架关键框架更新应对有害操控风险本次更新引入了一个专注于有害操控的关键能力等级，具体针对那些具备强大操控能力的AI模型。 调整应对错位风险的方法该框架已扩展，以解决未来可能出现的场景：错位的AI模型可能干扰操作员指导、修改或关闭其操作的能力。 这些等级涉及可能加速AI研发至潜在不稳定水平的模型。除了这些能力带来的滥用风险外，还存在源于模型在这些能力水平下采取无定向行动的潜在错位风险，以及此类模型可能融入AI开发和部署过程的风险。 细化了关键能力等级的定义，特别是为了识别那些需要最严格治理和缓解策略的关键威胁。在达到特定关键能力等级阈值之前以及作为标准模型开发方法的一部分，将继续应用安全和安保缓解措施。 这些是指，若缺乏缓解措施，前沿AI模型或系统可能构成严重伤害加剧风险的能力水平。
10110编辑于 2026-01-15- 来自专栏云云众生s
为数据民主化实施稳健的AI治理
生成式 AI 的快速兴起让更多人能够释放数据的力量，获得新的见解并做出更好的决策，但授予更广泛的数据访问权限需要制定数据治理策略。 在这种情况下，组织应尽可能消除孤岛，并在其数据平台上应用一致的治理框架。 除此之外，一些特定的方法和技术有助于确保组织在通过生成式 AI 扩大数据访问权限的同时，能够保持强有力的治理。 其中一些是适用于任何环境的基本治理实践，但当生成式 AI 进一步实现数据访问民主化 时，它们变得更加重要。 治理是数据民主化的基础 业务用户渴望更广泛地利用其组织的数据，而生成式 AI 终于使这成为可能。 生成式 AI 已为真正的民主化数据打开了大门，而良好的治理是使其成为可能的基础。
36710编辑于 2024-05-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号