# 内容领域 4： 负责任 AI 准则
<a name="ai-practitioner-01-domain4"></a>

领域 4 涵盖了负责任 AI 准则，占考试计分内容的 14%。

**Topics**
+ [任务说明 4.1： 解释负责任 AI 系统的开发。](#ai-practitioner-01-task4.1)
+ [任务说明 4.2： 了解模型透明且可解释的重要性。](#ai-practitioner-01-task4.2)

## 任务说明 4.1： 解释负责任 AI 系统的开发。
<a name="ai-practitioner-01-task4.1"></a>

目标：
+ 确定负责任 AI 的特征（例如：偏见、公平性、包容性、稳健性、安全性、真实性）。
+ 说明如何使用工具识别负责任 AI 的特征（例如：Amazon Bedrock 防护机制）。
+ 定义选择模型的负责任做法（例如：环境考量、可持续性）。
+ 识别使用生成式人工智能（GenAI）所涉及的法律风险（例如：知识产权侵权指控、模型输出偏差、客户信任流失、终端用户风险、幻觉现象）。
+ 确定数据集的特征（例如：包容性、多样性、数据来源经策管、数据集平衡）。
+ 描述偏差和方差的影响（例如：对人口统计群体的影响、不准确、过拟合、欠拟合）。
+ 描述检测和监控偏见、可信度和真实性的工具（例如：分析标记质量、人工审计、亚组分析、Amazon SageMaker Clarify、SageMaker Model Monitor、Amazon Augmented AI [Amazon A2I]）。

## 任务说明 4.2： 了解模型透明且可解释的重要性。
<a name="ai-practitioner-01-task4.2"></a>

目标：
+ 描述透明且可解释的模型，与不透明且不可解释的模型之间的差异。
+ 描述用于识别透明且可解释模型的工具（例如：Amazon SageMaker Model Cards、SageMaker Clarify、Amazon Bedrock 模型评估、开源模型、数据、许可协议）。
+ 识别模型安全性与透明度之间的权衡（例如：衡量可解释性与性能）。
+ 描述可解释的 AI 的以人为本的设计原则（例如：用户反馈机制、 AI 决策透明度）。