Avoid AI governance pitfalls

人工智能治理的重要性：治理对于减少数据风险、建立决策权与责任框架、创建共享语言、生成数据可用性以及促进团队合作至关重要。
三种人工智能治理方法：
- 以合规为中心的模型：由法律团队领导，目标为合规与风险管理，通过文件与证明帮助数据、人工智能、风险与法律团队提供值得信赖的人工智能。
- 操作中心化模型：目标为人工智能应用在生产中的安全案例，通过易用可靠数据和利益相关者间有效协作实现。
- 以数据为中心的模型：目标为实施与运营人工智能用例，通过平台支持AI模型的开发和运行，帮助人工智能和数据团队有效实施AI应用案例。
实施步骤：
- 优先考虑治理思维：聘请合适的人才，改变心态与思维模式，培养数据素养。
- 人工智能治理是一场团队运动：涉及CDAO、首席信息官/首席技术官、机器学习领导、CISO、商业股东、人工智能治理委员会、法律伦理总监、隐私等角色。
历史数据对比：2002年引入CDOs，2010年数据产品增加，2017年4000 CDOs，2014年400 CDOs，2022年152,000 CDOs，显示数据治理需求逐年增长。

人工智能改变团队间的协作：CDAO推动以数据为中心的方法，确保数据来源、锁定、解释、共享等环节的明确分工。
实施人工智能治理框架：
- 定义用途案例验证并且监控：确定并理解数据，文档模型和结果，用可信数据治理AI用例。
- 人工智能应用规范每个阶段和角色：从构思到部署，明确数据科学家、产品负责人、法律/合规、数据管理员、隐私等角色的职责。
建立人工智能治理委员会：确保对齐、监测性能、确定合规性需求、评估风险、定义并重新评估角色与职责、建立通用政策、程序和标准。
技术考虑因素：传统数据智能平台无法完全提供集成平台的可信数据，综合数据智能平台在数据隐私、数据治理、数据溯源、数据目录、数据谱系等方面更具优势。
AI之旅的起点：可以从整理数据治理、管理AI用例、确保数据合规可访问、获取业务背景、追踪数据或模型所有者、发现/分类数据、综合数据智能平台、围绕AI应用案例合作、启用正确批准、获取干净数据、整合至正确数据或模型、运维等方面开始。