60、拟议的人工智能法案及后续“妥协”解读

拟议的人工智能法案及后续“妥协”解读

1. 自动生成日志规定

为确保人工智能系统在整个生命周期内的可追溯性,高风险人工智能系统应具备日志记录功能,在系统运行时自动记录事件。欧盟委员会提议,高风险人工智能系统的提供者有义务保存其系统自动生成的日志,保存期限应根据系统的预期用途以及适用的国家和欧盟法律来确定。

理事会的妥协文本对拟议的人工智能法案第20(1)条进行了修订,明确规定提供者必须至少保存自动生成的日志6个月,这与当前行业实践相符。欧洲议会法律事务委员会(JURI)的草案文本也提出了相同的修订,但该委员会弱化了提供者保存日志的义务,指出提供者应在合同安排或法律规定以及实际控制且技术可行的范围内保存日志。

以下是不同主体对日志保存规定的要求对比表格:
|主体|日志保存要求|
| ---- | ---- |
|欧盟委员会|根据系统预期用途和适用法律确定保存期限|
|理事会妥协文本|至少保存6个月|
|欧洲议会JURI委员会|在合同、法律、实际控制且技术可行范围内保存|

2. 高风险人工智能系统各方义务
2.1 与主管部门合作及文件保留

高风险人工智能系统的提供者(及适用情况下的用户)有义务应国家主管部门(及适用情况下的人工智能委员会和欧盟委员会)的要求,提供证明系统符合拟议人工智能法案第8 - 15条要求的所有信息和文件。同时,应国家主管部门(及适用情况下的欧盟委员会)的合理请求,提供者(及适用情况下的用户)有义务让请求方访问自动生成的日志(在提供者控制范围内)。

拟议的人工智能法案中有多项条款要求人工智能提供者提供日志、源代码或训练数据。例如

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值