为帮助企业理解人工智能非期望偏差的定义与风险，Intertek天祥集团正式推出人工智能非期望偏差评测与治理定制培训，该培训参考 ISO/IEC TS 12791:2024 为参考，帮助学员掌握分类与回归模型的偏差评测思路与测试方法，并结合 Intertek 测评服务，指导企业开展偏差整改、复测验证与持续治理。

课程大纲
1. 基础概念与风险：认识人工智能非期望偏差

• 人工智能非期望偏差与公平性的基本概念。
• 整体性能良好，为什么仍可能存在群体偏差？
• 分类与回归任务中的偏差表现有何不同？
• 数据、标注、模型与应用环节的偏差来源。
• 智能产品中的偏差案例与业务风险。
• ISO/IEC TS 12791:2024 的适用范围与处理思路。

2. 评测设计与数据准备：明确群体、样本与评价指标

• 测试任务与应用场景的确认。
• 评测范围、测试对象与模型版本的界定。
• 如何识别业务相关的敏感属性？
• 性别、年龄等群体的划分与依据。
• 单一属性与交叉属性的群体分析。
• 参考群体的选择与比较原则。
• 测试数据、真实标签与预测结果的准备。
• 测试样本的代表性与群体覆盖检查。
• 样本量不足与群体不平衡的处理。
• 缺失值、异常值与重复数据的检查。
• 训练数据与测试数据的隔离要求。
• 历史标签与代理变量的偏差风险。
• 群体属性数据的隐私保护与使用边界。
• 如何根据业务风险选择评测指标？
• 评测判据、测试记录与证据清单的准备。

3. 测试方法与结果解读：分类与回归模型的偏差评测

• 整体性能与分群体性能的比较。
• 分类模型的混淆矩阵与结果统计。
• 各群体准确率、召回率等性能指标。
• 误报率、漏报率差异的计算与解读。
• 预测为正的比例与群体间差异。
• 机会均等与均衡几率的含义及适用条件。
• 回归模型的平均绝对误差与均方根误差。
• 回归模型的群体误差与残差差异。
• 样本量、置信区间与结果不确定性。
• 综合案例：分类模型偏差评测与结果解读。
• 综合案例：回归模型偏差评测与结果解读。

4. 整改验证与持续治理：形成企业偏差治理实施方案

• 评测报告的结构与必要信息。
• 偏差发现的业务影响与风险分级。
• 如何定位数据、模型与应用环节的问题？
• 数据补充、重采样与样本加权的改进思路。
• 模型训练阶段的偏差缓解方法。
• 预测结果与决策阈值的调整方法。
• 公平性与模型性能之间的权衡。
• 整改后的复测与改进效果验证。
• 模型更新与数据变化后的再评测。
• 持续监测、异常预警与反馈处理。
• Intertek 偏差测评服务与企业配合事项。
• 企业偏差评测与治理实施路线图。

课程收益

• 识别偏差风险：理解非期望偏差的主要来源及其对业务的影响。
• 掌握评测方法：了解群体划分、数据准备、指标选择与测试流程。
• 解读测试结果：识别分类与回归模型的群体差异及评测局限。
• 形成治理思路：明确偏差整改、复测验证与持续监测的实施路径。

授课对象

• AI 产品、算法研发、数据管理、测试验证、质量、合规及业务管理等相关岗位人员。
• 参训学员建议具备人工智能与数据分析基础，了解分类、回归及常见模型性能指标。

专家简介
唐浩然先生(Tom Tang)
Intertek天祥AI专家，新加坡国立大学人工智能系统硕士，深耕AI法规合规、测试标准与性能评估，专注企业AI合规落地服务。

课程预约

联系Intertek专属销售预约，或扫描下方二维码在线预约：