哈希游戏- 哈希游戏平台- 哈希游戏官方网站

　　经过多年的治理实践，监管机构积累了丰富治理经验，面对“信息茧房”、榜单操纵、大数据“杀熟”等长期存在的算法治理问题，监管机构在此次治理行动中列举详细合规要求，指导、帮助平台企业做好算法合规工作，特别是发布《算法专项治理清单指引》，引导平台企业进行自主审查，实现自我合规，充分调动平台企业的合规积极性。这种做法体现合作治理的理念，不是单一的垂直监管，而是调动多元主体共同参与到算法治理过程中，打破“猫抓老鼠”的监管困境。

　　在治理手段上，要善用技术治理举措。算法应用中可能存在的数据泄露、隐私侵犯问题，可以尝试以数据匿名化、联邦学习、区块链等一系列技术方法予以应对。当前，一些企业采用联邦学习模式，各参与方不需要共享数据就可以联合训练算法模型，已经在医疗、金融等行业领域落地应用。对于算法“黑箱”问题，业界也在开发技术方案，比如谷歌提出模型透明性工具“model card”，微软提供机器学习可解释性工具InterpretML，还有相关协会提出“遵循伦理的设计”，将价值与伦理标准程序化为代码嵌入到系统进行训练、评估，并为设计者提供一套行为准则或设计规范，确立算法的底层伦理标准，实现事前干预。不过，对于业界提出的创新技术或方案，需要完善政策导向、专利制度，推进算法相关发明的可专利性，激发技术创新动力，为算法的技术治理不断提供创新技术方案。

　　在企业合规内控上，构建并适用全生命周期风险管理流程，保证数据可问责。用于构建算法的数据集很广、种类很多，来源的合法性与否与质量水平高低直接影响算法、模型的风险大小。比如一个算法模型使用有偏见、不准确的数据，模型产生歧视性结果的可能性大增，需要在输入数据阶段充分保证数据的可问责性。具体而言，要确保数据来源合法性，特别是个人数据，应获得当事人授权，要保证数据质量，提高数据集的准确性、完整性、真实性，要采取措施尽量降低或避免数据集的潜在歧视风险。在测试、验证、调试环节使用不同的数据集，检查算法模型是否存在系统性偏差，定期审计、更新数据集，保障数据的准确性、可靠性。

　　至于如何提高算法的可解释性，我认为可以采取以下措施：完善技术规范文档，将算法设计、预期行为、产品描述等包括在内，以易于理解的描述方式解释模型的功能。在技术上提供解释工具，特别是对于具有“黑箱”特性的模型而言，技术工具有助于人们理解模型输出的基本原理。在特定场景中，对外解释算法模型并不可行，比如用于信息安全、金融安全等领域的算法运用场景中，为防止出现“算法算计”问题，应对算法解释、公开保持谨慎。同时，提高算法可解释性时应考虑知识产权利益，避免暴露机密商业信息。算法模型部署者应建立内部流程对模型进行定期调整，保证模型能根据场景、数据的变化灵活调整。为有效监督、调整模型，应记录模型的训练、决策结果，实时跟踪、审计和评估模型的功能。

　　域外在算法治理上的治理模式可以提供一些借鉴，比如将治理主动权交给行业，由企业组成自我约束的联盟，彼此监督、合作，共同开发技术工具，实现主动合规治理。以新加坡为例，推动自愿性自我评估测试工具的研发与使用，开发一套人工智能治理测试框架和工具，让相关组织与其利益相关者建立信任，实现人工智能系统更透明。其中，测试框架包括人工智能伦理原则的界定、测试标准、测试过程以及衡量指标，伦理原则包括11项国际上已被接受的人工智能伦理原则，提供的工具包有测试可解释性的、测试鲁棒性的和测试公平性的，容易在开发者或用户环境下被部署。相关组织可以先下载工具包，准备好人工智能模型、数据集，调整测试维度，启动测试进行完整的过程检查，生成测试结果报告。此外，搭建人工智能测试社群，邀请行业实践者参与项目，对人工智能系统进行自我测试，生成相关报告向利益相关者展示系统的透明度并建立信任，各成员可以就人工智能治理实践经验进行分享合作。