資料稽核

負責任的 AI 資料管理

Maria Prokofieva

Lead ML engineer

本章重點

• 資料稽核
• 資料驗證
• 偏誤緩解策略

資料稽核

• 專案生命週期中的完整資料檢視

• 檢查技術面與負責任狀態

• 於專案重大變更後執行

• 更新稽核文件

執行資料稽核

• 經常執行
• 確保不會無意導入問題
• 防範複雜度與錯誤擴大
• 保持透明與可問責
• 建立信任

AI 理財顧問

• 行為風險屬性與計畫目標
• 制定策略
• 目標對應投資商品
• 建立投資組合

資料來源：

• 來自聊天與上傳的使用者資料
• 外部即時與歷史資料（Bloomberg）

¹ Image by Streamline HQ

專案資料來源

• 使用者提供的資料
• 來自 API 的外部資料

¹ Image by Streamline HQ

資料稽核設定

使用 Data Management Plan：

• 資料細節
• 稽核頻率
• 必要測試
• 負責成員

¹ Image by Streamline HQ

資料稽核時程

• 初始資料探索
• 前處理與建模的定期稽核
• 任何重大資料變更

¹ Image by Streamline HQ

持續資料稽核

• 規律的持續監控
• 資料品質與合規
• 模型效能與公平性指標
• 資料使用與儲存
• 安全性與可擴充性

模型漂移

• 模型可能隨時間變得不準確
• 社會變遷、市場情勢或底層變數
• 透過記錄預測並評估效能指標偵測漂移
• 指標逾越門檻時發出警示
• 檢查新資料或重新訓練模型來修正

AI 理財顧問的資料稽核

• 初始資料探索
• 含轉換與清理的前處理
• 建模並評估公平性
• 部署前稽核
• 持續監控

¹ Image by Streamline HQ

一起來練習吧！

負責任的 AI 資料管理