第2章 负责任的人工智能：构建可信AI系统的理论与实务

文章目录

• 第2章 负责任的人工智能：构建可信AI系统的理论与实务
• • 引言：技术乐观主义者的必修课
  • 2.1 算法偏见溯源与检测：从COMPAS案说起
  • • 2.1.1 COMPAS案件深度剖析
    • 2.1.2 算法偏见的四种来源
    • • 理解偏见（Understanding Bias）
      • 数据集偏见（Dataset Bias）
      • 技术偏见（Technical Bias）
      • 实践偏见（Practical Bias）
    • 2.1.3 偏见检测与缓解技术框架
    • • 检测工具链
      • 技术缓解策略
      • 企业级解决方案
  • 2.2 数据隐私与安全：GDPR、匿名化与联邦学习
  • • 2.2.1 隐私保护法规框架
    • • GDPR核心要求
      • 中国相关法规
    • 2.2.2 隐私保护技术体系
    • • 差分隐私（Differential Privacy）
      • 联邦学习（Federated Learning）
      • 匿名化技术层级
    • 2.2.3 隐私与效用的平衡艺术
  • 2.3 AI的可解释性：打开“黑箱”的技术与哲学
  • • 2.3.1 可解释性的多重维度
    • • 技术可解释性
      • 社会可解释性
    • 2.3.2 可解释AI技术图谱
    • • 模型内在可解释性
      • 事后解释方法
    • 2.3.3 可解释性的哲学思考
    • • 解释的认知价值
      • 解释的局限性
  • 2.4 AI伦理框架设计：开发者的自查清单
  • • 2.4.1 多层次伦理框架
    • • 基础伦理原则
      • 开发实践原则
    • 2.4.2 开发者伦理自查清单
    • • 数据收集阶段
      • 模型开发阶段
      • 部署运营阶段
    • 2.4.3 行业特定伦理指南
  • 2.5 辩论会：“自动驾驶的电车难题”与技术伦理边界
  • • 2.5.1 电车难题的技术版本
    • 2.5.2 各派观点交锋
    • • 功利主义观点
      • 义务论观点
      • 美德伦理观点
    • 2.5.3 技术实现中的现实约束
    • • 技术可行性
      • 社会接受度
    • 2.5.4 实践解决方案框架
    • • 多层次决策架构
      • stakeholder参与机制
  • 本章小结：从原则到实践的责任之路
  • 延伸学习与思考题
  • • 案例分析
    • 技术实践
    • 哲学思考