Google Cloud AI 負責任原則實踐
課程概述
了解 Responsible AI 原則只是第一步，真正難的是把它們落地到開發流程裡。這門課從 Google Cloud 的角度出發，看看怎麼用平台提供的工具跟框架，在 AI 應用的設計、開發、部署、監控各階段，有系統地把負責任 AI 做進去。
你將學到
- 運用 Google Cloud 的 Responsible AI 工具進行模型評估
- 建立 AI 開發流程中的 Responsible AI 檢查點
- 理解 Model Card 與 Data Card 的用途與重要性
- 設計涵蓋公平性、安全性與隱私保護的 AI 治理框架
核心概念
從原則到實踐的橋梁
Google Cloud 把 Responsible AI 原則拆成三個實踐層面：技術工具（Tooling）、流程治理（Governance）跟組織文化（Culture）。技術工具就是偏差檢測、可解釋性分析、安全篩選這些；流程治理是在 MLOps pipeline 裡塞進自動化的合規檢查；組織文化則是跨職能團隊要怎麼一起協作、持續學習。
Vertex AI 的安全功能
Vertex AI 內建了好幾項安全機制。Safety Filters 會自動偵測並擋掉有害內容（涵蓋仇恨言論、危險內容、性暴力、騷擾四個類別）。Grounding 功能把模型回應跟可信的資料來源對齊，降低幻覺的風險。Safety Ratings 則會幫每次回應打安全等級分數，開發者可以照應用需求自己設閾值。
Model Card 與 Data Card
Model Card 就像模型的「身分證」，記錄它的預期用途、訓練資料概述、效能指標、已知限制跟倫理考量。Data Card 則記錄訓練資料集的來源、處理方式、已知偏差跟使用限制。這些文件對模型的可審計性（Auditability）和可重現性（Reproducibility）很關鍵。在 Model Garden 挑模型時，記得先翻一下它的 Model Card。
AI 治理框架
企業導入 GenAI 時，最好先把 AI 治理框架定清楚，包括：AI 使用政策（哪些用途允許、哪些禁止）、風險評估流程（每個 AI 應用都做分級評估）、人機協作規範（什麼時候需要人來審核）、還有事件應對計畫（萬一 AI 產出不當內容，要怎麼處理）。
實作重點
- 在 Vertex AI 中檢視模型的 Safety Settings，了解四個安全類別的篩選等級
- 嘗試故意輸入可能觸發安全篩選的 Prompt，觀察平台的回應機制
- 檢視 Model Garden 中至少兩個模型的 Model Card，比較它們的限制說明
- 思考你正在開發或計畫開發的 AI 應用，列出可能存在的偏差風險點
Lab 導讀
Lab 連結：Responsible AI: Applying AI Principles with Google Cloud — Google Cloud Skills Boost
這個 Lab 把影片教學跟情境式測驗結合在一起，會丟給你一連串真實的 AI 應用場景，要你判斷它符不符合 Responsible AI 原則，再建議怎麼改。作答時別只看技術面，也想想社會影響跟利害關係人的角度。這門課的測驗題比前幾門更看重情境判斷，而不是死背知識。
延伸學習
- 負責任的 AI 導論 — 回顧 Google AI 七大原則
- 負責任 AI：公平性與偏差 — 談談公平性的技術實踐
- 負責任 AI：可解釋性與透明度 — 了解如何讓 AI 決策可理解
- 負責任 AI：隱私與安全 — 隱私保護的技術方案