关于 ai-deployment-checklist
ai-deployment-checklist 是面向 AI 开发与治理团队的上线前隐私合规检查清单。它按法律依据、透明度、数据主体权利、数据质量、安全和治理等维度设置核验项,并涵盖高风险系统的 EU AI Act 要求。
主要功能
- 01核验法律依据与 DPIA
- 02检查透明度及数据主体权利
- 03审查数据质量与偏见
- 04检查安全和技术控制
- 05规划上线监控与治理
- 06核对高风险系统 AI Act 要求
适用场景
- 01将隐私核验纳入 AI 上线审批
- 02检查自动化决策的解释与申诉机制
- 03审核高风险 AI 系统合规材料
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ mukul975/ privacy-data-protection-skills --skill ai-deployment-checklist安装后在 Claude Code 中输入/ai-deployment-checklist确认已加载。
包含的文件
除 SKILL.md 外,安装时一起下载的参考资料和脚本。
assets/template.mdreferences/standards.mdworkflows.mdscripts/process.py详细介绍
AI 系统部署前隐私检查清单
概述
部署处理个人数据的 AI 系统前,必须从多个维度核实其是否符合隐私合规要求。本检查清单是 Cerebrum AI Labs ML 部署流水线中的合规关卡。在所有强制检查项均通过核实并由数据保护官(DPO)签字确认之前,不得将任何 AI 系统部署到生产环境。本检查清单围绕 GDPR 要求、EU AI Act 义务(适用于高风险系统)和内部治理标准制定。
部署前合规关卡
关卡 1:法律依据和 DPIA
| 检查项 | 要求 | 状态 | 证据 |
|---|---|---|---|
| 已记录合法依据 | 已确定并记录所有个人数据处理的 Art. 6(1) 依据 | 必须 | LIA 或同意记录 |
| 已评估特殊类别数据 | 已识别 Art. 9 数据;已记录明确同意或 Art. 9(2) 例外 | 必须 | 数据分类报告 |
| 已完成 DPIA | 已针对高风险处理(用户画像、系统性监控、大规模特殊类别数据)完成 Art. 35 DPIA | 适用时必须 | 经 DPO 签字的 DPIA 文档 |
| 已缓解 DPIA 风险 | 已记录 DPIA 中所有高风险/严重风险的缓解措施 | 必须 | 风险处置计划 |
| 事先咨询 | 若残余风险仍然较高,已根据 Art. 36 咨询监管机构 | 适用时必须 | 咨询记录 |
| 合法利益评估 | 若依据 Art. 6(1)(f) 处理,已完成 LIA 平衡测试 | 依据为 LI 时必须 | LIA 文档 |
关卡 2:透明度和信息告知
| 检查项 | 要求 | 状态 | 证据 |
|---|---|---|---|
| 已更新隐私声明 | Art. 13-14 信息中包含 AI 处理详情 | 必须 | 更新后的隐私声明 |
| 已说明逻辑 | 已向数据主体记录“有关所涉逻辑的有意义信息” | 自动化决策时必须 | 说明文档 |
| 已披露影响 | 已披露 AI 处理可能产生的后果 | 自动化决策时必须 | 隐私声明章节 |
| 已披露用户画像 | 如果系统为个人建立用户画像,已在隐私声明中披露 | 进行用户画像时必须 | 隐私声明章节 |
| AI Act 透明度 | 已满足 Art. 52 透明度义务(如适用):告知用户其正在与 AI 交互 | 适用 AI Act 时必须 | 用户界面披露 |
关卡 3:数据主体权利
| 检查项 | 要求 | 状态 | 证据 |
|---|---|---|---|
| 已定义访问流程 | 已制定响应 AI 数据(输入、输出、用户画像)访问请求的流程 | 必须 | 已记录的 SOP |
| 解释机制 | 可按请求生成个人解释 | Art. 22 要求时必须 | 已验证技术能力 |
| 可进行人工干预 | 已建立 Art. 22(3) 人工审查流程 | 仅针对自动化决策时必须 | 流程文档 + 受训员工 |
| 异议渠道 | 数据主体可以对 AI 决策提出异议并要求复核 | Art. 22 要求时必须 | 申诉流程文档 |
| 更正流程 | 已制定更正 AI 输入数据并重新生成输出的流程 | 必须 | 已记录的 SOP |
| 删除流程 | 已制定从训练集、推理日志和嵌入中删除数据的流程 | 必须 | 已记录的 SOP |
Gate 4:数据质量与偏差
| 检查项 | 要求 | 状态 | 证据 |
|---|---|---|---|
| 已记录训练数据 | 已记录数据来源、规模、收集方法和预处理方式 | 必需 | 数据卡 / 数据集文档 |
| 已完成偏差测试 | 已针对受保护属性(性别、种族、年龄、残障)对模型进行偏差测试 | 必需 | 偏差测试报告 |
| 公平性指标可接受 | 差别影响比率 >0.8(五分之四规则),或等效指标在可接受范围内 | 必需 | 公平性指标报告 |
| 已验证数据质量 | 已验证训练数据的完整性、准确性和代表性 | 必需 | 数据质量报告 |
| 已移除或说明 Art. 9 数据 | 已移除特殊类别数据,或已记录合法依据 | 必需 | 数据分类报告 |
Gate 5:安全与技术控制
| 检查项 | 要求 | 状态 | 证据 |
|---|---|---|---|
| 静态数据加密 | 训练数据和模型权重已加密(AES-256 或等效算法) | 必需 | 安全配置 |
| 传输中数据加密 | 所有 API 端点均使用 TLS 1.2+ | 必需 | SSL 证书 |
| 访问控制 | 对模型、训练数据和推理日志实行基于角色的访问控制 | 必需 | IAM 策略 |
| 审计日志记录 | 记录所有模型调用及其时间戳、输入哈希、输出和用户 | 必需 | 日志配置 |
| 对抗鲁棒性 | 已针对与模型领域相关的常见对抗攻击进行测试 | 建议 | 安全测试报告 |
| 模型版本管理 | 已在注册表中对模型进行版本管理,并支持回滚 | 必需 | MLflow / 模型注册表 |
Gate 6:监控与治理
| 检查项 | 要求 | 状态 | 证据 |
|---|---|---|---|
| 性能监控 | 生产环境中用于跟踪准确率、延迟和错误率的仪表板 | 必需 | 监控设置 |
| 漂移检测 | 已实现数据漂移和概念漂移检测 | 必需 | 漂移监控配置 |
| 偏差监控 | 持续跟踪部署后的偏差指标 | 必需 | 公平性监控仪表板 |
| 事件响应 | 处理 AI 相关隐私事件(例如歧视性输出、数据泄露)的流程 | 必需 | 事件响应计划 |
| 重新训练计划 | 已制定使用新数据重新训练模型的计划 | 必需 | 重新训练计划 |
| 保留期限执行 | 根据保留期限计划自动删除推理日志和训练数据 | 必需 | 保留政策 + 自动化 |
Gate 7:EU AI Act(仅限高风险系统)
| 检查项 | 要求 | 状态 | 证据 |
|---|---|---|---|
| 风险分类 | 已依据 Annex III 对系统进行分类 | 必需 | 分类文档 |
| 技术文档 | 已完成 Annex IV 文档 | 必需 | 技术文档包 |
| 风险管理系统 | 已实施 Art. 9 持续风险管理 | 必需 | 风险登记册 + 流程 |
| 合格评定 | 已完成内部或第三方合格评定 | 必需 | 评定报告 |
| EU 符合性声明 | 已准备 Art. 47 声明 | 必需 | 已签署的声明 |
| EU 数据库注册 | 已完成 Art. 49 注册 | 必需 | 注册确认 |
签署确认
| 角色 | 姓名 | 批准 | 日期 |
|---|---|---|---|
| ML 工程负责人 | [ ] 已批准 / [ ] 已阻止 | ||
| 数据保护官 | [ ] 已批准 / [ ] 已阻止 | ||
| 信息安全官 | [ ] 已批准 / [ ] 已阻止 | ||
| 产品负责人 | [ ] 已批准 / [ ] 已阻止 | ||
| 法律顾问 | [ ] 已批准 / [ ] 已阻止(仅限高风险) |
关键法律参考
- GDPR Articles 5, 6, 9 — 数据处理原则、合法依据、特殊类别
- GDPR Article 22 — 自动化个人决策保障措施
- GDPR Article 25 — 通过设计和默认设置保护数据
- GDPR Article 35 — 数据保护影响评估
- EU AI Act Articles 9-15 — 高风险 AI 系统要求
- EU AI Act Article 52 — 某些 AI 系统的透明度义务
- EDPB Guidelines on Automated Decision-Making (WP 251 rev.01) — 对 Art. 22 的解读
- ISO/IEC 42001:2023 — AI 管理体系标准
评论
支持 Markdown