• 治理的核心在於管理、最佳化並擴展組織內的AI發展計畫
• 確保AI的開發與應用是負責任且值得信賴的
• 要建立明確的政策、指導方針與監督機制

Governance Framework

• 建立一個AI Governance committee
• 定義每個角色與職責
• 實施相關政策與流程
  從資料管理、模型訓練、部署到持續監控

協助進行governance的AWS服務

• AWS Config: 用於資源配置管理與合規性監控
• Amazon Inspector: 自動化安全評估服務，如漏洞掃描
• AWS Audit Manager: 幫助自動化Compliance檢查流程
• AWS Artifacts: 提供Compliance文件和報告的集中存取
• AWS CloudTrail: AWS服務操作與 API 調用的監控與記錄
• AWS Trusted Advisor: 提供 AWS環境實踐建議

Governance相關策略

• policy: 資料管理、模型訓練、輸出驗證、安全性與人類監督 ，從這些面向制定政策
• review cadence(審查週期): 確定審查時間、AI系統參與者、最終使用者
• review strategy(審查策略): 模型表現、資料品質與演算法穩健性；審查政策、Responsible AI原則與法規要求
• transparency standards: 公開模型的相關資訊、訓練資料，以及在創建AI過程中做出的關鍵決策，同時記錄AI解決方案的限制、能力與使用案例，並且讓最終使用者與利益相關者能直接提供回饋或提出疑慮
• Team Training Requirements: 相關政策、指導方針與最佳實務，以及偏見減緩與Responsible AI的實務操作

資料Governance策略

• 建立負責任的框架與指導方針，涵蓋偏見、公平性、透明度與問責制，也要教育與訓練團隊使其熟悉Responsible AI的實務操作
• 建立結構與角色，data governance committee，定義data stewards(資料管理者)、data owners、data custodians(資料保管者)
• 安全共享資料，如federation

資料管理觀念

• Data Lifecycles: 資料收集、處理、存儲、使用與archival(歸檔)
• Data Logging: 追蹤系統的輸入、輸出、性能指標與事件
• Data Residency: 了解資料處理與存儲的地點
• Data Monitoring: 檢查資料品質，識別異常與data drift(資料漂移)
• Data Analysis: 統計分析、資料視覺化與探索
• Data Retention(保存): 考量法規要求、歷史訓練資料，以及保存成本
• Data Lineage(資料溯源)
  資料來源必須記錄與歸屬，包括使用的資料集、資料庫及其他來源，資料來源過程(從收集到處理成可用資料)也要記錄，相關授權、使用條款或許可
• Data Cataloging: 用於記錄資料集