- 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
47610编辑于 2026-01-20- 来自专栏python3
3-6 读写二进制文件
在前面两节，读写的文件都是针对文本文件。这一节，重点讲述二进制文件的读写。什么是二进制文件呢？
1.4K10发布于 2020-01-08 AI版权全球治理观察
通过梳理欧盟、美国、日本等域外主要国家和地区关于AI版权治理的路径选择、规则倾向和背后考量，可以为我国未来相关探索提供有益的借鉴经验。 （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。 （二）整体观察：产业实践下的“被迫应对”与治理逻辑上的“顺势而为”虽然表面看来多少有些“被迫应对”的意味，但美国作为本轮AIGC技术变革的缘起地，对于AI版权问题的治理回应存在强烈的现实基础。 （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。
1.4K10编辑于 2025-04-22AI+Data：AI时代的企业数据治理
为了解决这些问题，数据治理逐渐成为企业普遍重视的关键环节，尤其是在AI应用日益普及的背景下，高质量的数据治理变得尤为重要。数据的多元化与价值挖掘长期以来，人们习惯将数据理解为以数字形式存储的信息。 随着AI应用对多源异构数据的需求增加，企业对于非结构化数据的价值化需求也在加速释放，而相应的数据治理模块也将获得进一步的关注与优化。 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。 在金融、医疗、零售、工业以及互联网等数据基础建设较好的行业中，面向AI时代的数据治理正在逐步显现其优势。
1.4K10编辑于 2025-01-03- 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-6)
代码清单3-6 Int CalculateStringDistance(string strA, int pABegin, int pAEnd, string strB, int pBBegin
33450编辑于 2022-11-30 - 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！
78620编辑于 2023-03-29 企业AI记忆选型与治理框架
企业AI记忆选型与治理框架一、宏观背景与战略引入在Data+AI深度融合的时代，企业的核心竞争力已从"拥有数据"转向"让数据在智能体中持续产生认知"。 建立科学的AI记忆选型与治理框架，已成为CIO群体无法回避的战略议题。缺乏长期记忆支撑的AI系统在复杂业务流程中难以沉淀连贯认知，重复上下文重建持续消耗算力与人力，迫使企业重新审视数据底座的架构选择。 四、实战指南与价值量化企业落地AI记忆系统应遵循"评估→实施→运维"的渐进路径，避免一开始就追求复杂架构而导致治理失控。 对跨周期、强合规场景，直接采用混合模式并绑定腾讯云向量数据库的治理组件。 五、未来结论与趋势判断企业AI记忆的演进必然走向"认知资产化"——记忆不再是大模型的临时缓冲，而是企业可继承、可治理、可复用的核心数字资产。
18310编辑于 2026-10-09AI账单上涨与成本治理技术
领导者应真正治理什么正确的控制单位是什么：席位、团队、供应商还是工作流？最有用的治理单位是单个应用程序或工作流，而不是软件席位或部门预算。AI成本由使用模式产生，而不是由谁持有许可证决定。 行之有效的实用治理机制我们现在能采取的最具操作性的治理步骤是什么？为每个应用程序设置Token预算，并配有自动告警阈值，并要求任何新AI功能在上线前进行成本影响评估。 研究表明，计划部署代理式AI的组织中，只有约五分之一拥有成熟的治理模式。 我们应该如何构建AI成本治理以引起董事会层面的关注？将其构建为竞争风险，而不是预算管理问题。 不受管理的AI消费会以复合的方式侵蚀利润率，而那些良好治理其AI经济学的组织将比不这样做的组织拥有结构性的成本优势。
36610编辑于 2026-05-20- 来自专栏资讯分享
迈向负责任 AI：中国 AI 治理趋势与展望
换句话说，建立健全AI治理，是迈向负责任AI、保障AI未来发展的必由之路。希冀本文对未来AI治理的持续开展和落地有所助益。 对于AI领域而言，AI标准不仅是支持、促进AI发展进步和广泛应用的重要手段(如技术标准)，而且是推进落实AI治理的有效方式(如治理标准、伦理标准)，因为AI治理标准可以起到“承接立法和监管、对接技术实践 全球AI治理合作与竞争并存 全球AI竞争，既是技术与产业的竞争，也是治理规则与标准的竞争。全球数字经济发展正在形成AI、数据等方面新的国际规则，如数据流动、AI治理框架等。 通过这些技术众包方式培育、壮大AI伦理社群，将在AI治理中扮演重要角色。 全球AI治理合作需持续深化 如前所述，全球AI治理呈现竞争态势，这并不符合以人为本、技术开放共享、普惠发展等理念。 中国深度参与全球科技治理，需要抓住AI、数据等领域的新一轮国际规则制定机遇，不断提出符合全球共识的AI治理方案，持续为全球数字治理和AI治理注入中国智慧。
90220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
换句话说，建立健全AI治理，是迈向负责任AI、保障AI未来发展的必由之路。希冀本文对未来AI治理的持续开展和落地有所助益。 对于AI领域而言，AI标准不仅是支持、促进AI发展进步和广泛应用的重要手段(如技术标准)，而且是推进落实AI治理的有效方式(如治理标准、伦理标准)，因为AI治理标准可以起到“承接立法和监管、对接技术实践 全球AI治理合作与竞争并存 全球AI竞争，既是技术与产业的竞争，也是治理规则与标准的竞争。全球数字经济发展正在形成AI、数据等方面新的国际规则，如数据流动、AI治理框架等。 通过这些技术众包方式培育、壮大AI伦理社群，将在AI治理中扮演重要角色。 全球AI治理合作需持续深化 如前所述，全球AI治理呈现竞争态势，这并不符合以人为本、技术开放共享、普惠发展等理念。 中国深度参与全球科技治理，需要抓住AI、数据等领域的新一轮国际规则制定机遇，不断提出符合全球共识的AI治理方案，持续为全球数字治理和AI治理注入中国智慧。
1.2K20编辑于 2023-11-16 主数据治理反复反弹：AI 如何支撑存量 MDM 完成二次治理
在此背景下，行业逐渐形成 “二次治理” 的务实思路：保留原有 MDM 平台的存储、采集、分发底座，把清洗、智能校验、语义建模等复杂能力剥离，在原有系统之上叠加 AI 能力层。 其 AI 原生 MDM 产品以对话交互为核心，弱化传统菜单式操作，平台主动推送质量诊断结果、清洗优化建议，改变以往人工主动查询报表的治理模式。存量数据清洗，是二次治理中工作量最大的一环。 AI 治理能力可以持续沉淀平台运行数据、知识库与对话交互记录，自动比对现行标准和实际业务使用偏差，输出体系优化建议，让标准体系具备自感知、自调整能力，不再完全依赖外部顾问周期性上门评估。 落地层面，其 “双轨带练” 模式也指向一个核心共识：治理能力不能只沉淀在系统中，更要传递给业务团队。线上 AI 顾问 + 线下实施顾问协同，项目目标从单纯交付一套软件系统，转向治理能力的持续移交。 二次治理的核心价值，就是在保护前期信息化投入的前提下，为存量 MDM 补齐感知、推理判断能力。AI 带来的变化，是把主数据治理从一套固定规则集合，升级为可动态自适应、持续闭环的管理机制。
10310编辑于 2026-10-16论 AI 工程中的黑箱治理问题
从可理解性到可治理性 在传统工程中，“理解”是控制的前提。 读懂代码 → 推导行为 → 判断正确性 但在 AI 主导的软件工程中，这条路径不可行。 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。 第二，我们应该用什么原则去治理黑箱。 接下来进入核心问题： 具体如何构建一套可控的 AI 主导的软件工程体系？ 答案不是单一机制，而是一套分层控制架构。 状态治理 AI 主导的软件工程往往表现为“隐式有状态”。 AI 主导的软件工程正在整体转向系统治理范式。
50010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？
28610编辑于 2026-02-02- 来自专栏数字化转型
基于国标GBT 45341的睿擎GEO五层架构：让技术内容被AI优先引用
该架构已在多家科技企业验证，可在3-6个月内将核心场景的AI语义引用率从4%提升至25%。 系统层有结论无证据，缺少性能基准、API文档、可复现案例18%治理层官网、GitHub、技术社区信息不一致，AI产生“认知冲突”12%发展层无迭代机制，内容发布即终点，缺乏持续维护7%GEO五层架构正是针对这五个短板设计的解决方案 证据链完整度治理层治理视角全网技术信息是否一致、可追溯？多平台一致性得分发展层发展视角是否有数据驱动的持续迭代？AI语义引用率诊断结论：约80%的问题集中在战略层与场景层。 六、治理层：四位一体的治理体系核心理念：AI整合全网信息做判断。若官网说“行业领先”，GitHubissues显示“未解决bug”，模型将产生认知冲突。 2个核心场景被正确提及引用率5%-15%L3领域级5+关键场景稳定占位答案占位率30%-50%L4引领级成为领域首选引用源首选引用率>40%L5生态级模型主动作为事实依据主动调用率>60%冷启动路径（3-
43800编辑于 2026-06-12 - 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。
1.1K11编辑于 2024-12-19 ### 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。 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。
41110编辑于 2025-04-09- 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”。
45510编辑于 2024-03-28 - 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。
1.9K40编辑于 2023-10-30 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-6 Numpy数组(和矩阵)的合并与分割
在 numpy 中合并数组比较常用的方法有 concatenate、vstack 和 hstack。在介绍这三个方法之前，首先创建几个不同维度的数组：
1.3K10编辑于 2022-05-25 - 来自专栏刷题笔记
3-6 银行业务队列简单模拟 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101221630 3-6 银行业务队列简单模拟 (20 分) 设某银行有A、B两个业务窗口
92430发布于 2019-11-08
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