数据审计

负责任的 AI 数据管理

Maria Prokofieva

Lead ML engineer

本章内容

• 数据审计
• 数据验证
• 偏差缓解策略

数据审计

• 贯穿项目全周期的全面数据审查

• 检查其技术状况与责任合规

• 在项目重大变更后执行

• 更新审计所需文档

执行数据审计

• 频繁进行
• 确保不无意引入问题
• 防范复杂性与错误放大
• 保持透明与问责
• 建立信任

AI 理财顾问

• 行为画像与计划目标
• 制定策略
• 将目标匹配到投资产品
• 创建投资组合

数据来源：

• 来自聊天与上传的用户数据
• 外部实时与历史数据（Bloomberg）

¹ 图片来源：Streamline HQ

项目数据来源

• 用户提供的数据
• 来自 API 的外部数据

¹ 图片来源：Streamline HQ

数据审计设置

使用数据管理计划：

• 数据细节
• 审计频率
• 必要测试
• 指定团队成员

¹ 图片来源：Streamline HQ

数据审计时间表

• 初始数据探索
• 预处理与建模的定期审计
• 任何重大数据变更

¹ 图片来源：Streamline HQ

持续数据审计

• 持续的定期监控
• 数据质量与合规
• 模型性能与公平性指标
• 数据使用与存储
• 安全性与可扩展性

模型漂移

• 模型随时间可能变得不准
• 社会变化、市场条件或底层变量
• 记录预测并评估指标以检测漂移
• 指标越阈值则告警
• 通过引入新数据或重训修复

AI 理财顾问的数据审计

• 初始数据探索
• 含变换与清洗的预处理
• 含公平性评估的建模
• 部署前审计
• 持续监控

¹ 图片来源：Streamline HQ

让我们来练习！

负责任的 AI 数据管理