·tian
你的AI发布流程缺少的伦理审查门控
大多数工程团队在每个AI功能发布前都会进行安全审查——但对于公平性、偏差或无障碍风险，却没有同等的门控机制。这里提供了改变这一现状所需的清单、触发条件和迭代集成方案。
insider
ai-ethics
responsible-ai
engineering-process
+2·tian
为什么你的偏见评估在 CI 中通过但在部署时失败
静态偏见审计在 CI 中通过但在生产环境中失败，是因为输入分布发生了偏移。解决方案是使用按队列设置的 SLO 和具备漂移感知的发布门控进行持续公平性监控。
fairness
evals
ai-safety
mlops
+1·tian
生产环境 AI 的偏差监测基础设施：超越上线前的审计
静态公平性测试只能发现已知数据集中的已知问题。本文将介绍如何构建实时监测基础设施，以捕捉那些你甚至不知道该去寻找的潜在问题。
ai
machine-learning
mlops
fairness
+1·tian
生产AI中的子群体公平性测试：为何聚合准确率会撒谎
聚合准确率掩盖了特定人口统计和语言子群体的系统性失败。本文介绍子群体评估方法论、差异SLO以及在用户规模化之前捕获偏见的生产监控模式。
ai-engineering
evaluation
fairness
production-ai
+1·tian
你一直在忽略的偏见审计：如何为 LLM 流水线构建人口特征公平性
安全过滤器和公平性检查是不同的问题，需要不同的工程响应。针对性别、种族和语言群体的输出质量差异不会在你的护栏机制中体现 —— 这里有一套能在发布前捕捉这些差异的方法论。
insider
llm
fairness
bias
+2