Hot Database

尽管有很多好处，但高性能机器学习系统的出现 增强分析过去 年，数据分析的发展催生出了一种“即插即用”的分析文化，大量不透明数据被随意输入到算法中，直到产生有用的商业情报。这对数据审计意味着什么？让我们来讨论一下。

数据审计与黑箱问题
由于典型的机器学习工作流程具有黑箱特性，因此很 哥斯达黎加电话号码数据 难理解或解释这些过程中残留的“暗”数据的范围；或者数据源的未承认来源或未探索范围在多大程度上可以在以后合法地暴露下游应用程序。


这引发了几个问题：

这意味着什么 机器学习对数据审计的难解本质是什么？
数据是否经过了要求企业承担与存储相关的法律义务的司法管辖区？
数据的演变模式和来源是否得到充分理解，以平息合作伙伴的担忧，或满足收购的“尽职调查”阶段的要求？
在即将到来的监管标准出台之际，当这些数据首次被引入时，这种不透明性是否是一个潜在的致命负担？
在这里，我们将探讨其中一些问题的可能答案，同时阐明数据审计背后的原因并定义一些处理人工智能和机器学习领域数据审计的指南。

数据审计的目标
在大多数司法管辖区，数据审计目前并不是一项正式且规定的活动。相反，它是一个可能涉及不同透明度和披露标准的过程。

尽管数据审计的目标可能因审计是为了合规性（外部要求）还是为了绩效（内部、商业流程审查）而有所不同，但任何类型的审计都是调整数据收集和 治理程序和政策，并兼顾两组需求。