🏠 首页 › 风险与治理域 › 变更管理
📄 PDF 补充页 🗂 返回导航
🛡
风险与治理域 · 考点 风3

变更管理

本页目录：Tips 笔记解读笔记缺漏补充考点分析考察范围清单
📝 Tips 笔记解读▾

以下逐条对应 tips_pdf_text.txt 中"变更管理"相关笔记，标注类型并补全为可命题的考点定义：

  • 组织应该有变更管理流程，变更需要经过授权 ● 不完整描述
  • 补全：组织须建立正式的、针对人工智能的变更管理流程；任何模型、数据或配置的变更都必须经过明确授权与审批，方可进入生产环境，不能由开发或技术团队自行决定上线。
  • 变更前进行风险评估和测试 ● 风险
  • 补全：在变更实施前，须围绕人工智能影响（数据、模型、业务、利益相关者等）开展专项风险评估，并完成测试验证，确认变更不会引入不可接受的风险。
  • 变更后进行持续监控，利用不同数据检测异常，防止频繁更新 ● 风险
  • 补全：变更上线后，应使用与训练/原数据不同的独立数据集持续监控模型输出，以识别异常与漂移；同时控制变更频率，避免过于频繁的更新掩盖问题。
  • 重要的是：高级管理层参与 ● 关键词
  • 补全：高层管理者的直接参与、问责与背书，是人工智能变更管理有效性的关键治理要素，不能仅由 IT 或数据科学团队自行推动。
  • 有效的是：全面参与、定制化 ● 好处/优点
  • 补全：有效的变更管理应覆盖全体相关方（全面参与），并采用针对人工智能特性量身定制的结构化方法，而非直接套用通用 IT 变更框架。
  • 变更日志：保证可追溯性 ● 关键词
  • 补全：应通过变更日志、版本控制与数据血缘记录每一次模型更新与重训练过程，确保变更可审计、可回溯、责任可定位。
  • 发现问题：1.暂停/找原因，2.回滚，3.重新训练 ● 风险
  • 补全：变更引发问题时，应首先暂停并评估影响、定位根本原因，再回滚到已验证版本或重新训练，而非盲目打补丁或禁用功能。
⚠ 笔记缺漏补充▾
  • 利益相关者影响评估：引入人工智能可能带来人员岗位、组织影响等顾虑，变更管理需包含以人为本的设计与对潜在负面影响（如失业担忧）的评估。
  • 标注/数据指南变化时的偏移管控：当数据标注标准或输入指南发生变更，需重新评估数据偏移并相应调整数据集，确保重新训练前的数据一致性。
  • 影响范围确认：变更导致异常输出时，应先确定受影响的业务流程与用户范围，再决定处置措施。
🎯 考点分析▾
  • 考察主线：本批次聚焦"人工智能场景下的变更管理"这一治理控制域。题目围绕变更前的风险评估与授权审批、变更后的持续监控与可追溯、高层参与与定制化方法、以及变更引发问题时的处置流程四个维度展开，强调通用 IT 变更框架不能直接套用于 AI，必须针对模型、数据、概率性等 AI 特性建立专门流程。
  • 正确答案的共同知识方向（写方向，非原句）：
  • 1. 变更前必须对 AI 相关变化开展全面风险评估（含利益相关者影响评估）。
  • 2. 生产环境的 AI 变更须有正式审批/授权流程。
  • 3. 变更后须用不同数据持续监控以检测异常，并控制更新频率。
  • 4. 高层领导的共同参与是变更管理有效性的关键。
  • 5. 应采用针对 AI 定制的、覆盖相关方的结构化变革方法，并融入持续培训。
  • 6. 通过日志、版本控制、数据血缘保证变更的可追溯性。
  • 7. 出现问题时：先暂停并评估影响、回滚到已验证版本、启动根因分析；对补丁/变更先评估影响再行动。
  • 8. 标注/数据标准变化时，重新标注分层样本以评估偏移并相应调整数据集。
  • 常见干扰方向（错误选项通常误导至）：
  • - 只把"文档/记录形式完备"等同于控制了风险（如格式统一、文档审核），忽略实质审批与测试。
  • - 仅靠设立治理委员会或治理架构（无实际变更流程），作为有效控制的替代。
  • - 培训类干扰：外包培训、仅对高层培训，而非持续融入安全意识/全面参与。
  • - 事后技术补救：从头重训、禁用自动更新、增加规则覆盖，作为首选处置。
  • - 套用传统/通用变更管理框架，而非 AI 定制方法。
  • - 把风险管理责任单点压给某一团队（如 IT 部门）即视为已受控。
  • 场景分布：
  • - 生成式 AI 客服/聊天机器人（客户支持、理财建议）
  • - 采购与库存团队引入 AI（员工失业担忧）
  • - 图像分类模型例行更新
  • - 审计师审查组织 AI 政策与程序
  • - 决策支持/投资咨询模型
  • - 安全补丁与推理引擎冲突
  • - 标注指南变更/数据偏移
  • - 组织范围规模化采用 AI
📋 考察范围清单▾
  1. AI 变更管理流程：组织必须为模型、数据、配置变更建立正式流程，明确变更须授权审批后上线。
  2. 变更前风险评估：变更实施前须对 AI 影响（数据、模型、业务、利益相关者）开展专项风险评估与测试。
  3. 利益相关者影响评估：引入 AI 须评估对人员与组织的潜在负面影响，采用以人为本设计。
  4. 变更后持续监控：使用独立于原数据的不同数据集监控输出，检测异常与漂移，并限制变更频率。
  5. 高层参与：高层管理者的直接参与和问责是 AI 变更管理有效性的关键治理要素。
  6. 定制化与全面参与：应采用针对 AI 特性定制的结构化变革方法并覆盖全体相关方，而非通用框架。
  7. 可追溯性：通过变更日志、版本控制管道与数据血缘记录更新与重训，保证审计与回溯能力。
  8. 问题处置优先级：变更引发异常时，先暂停/评估影响→回滚至已验证版本→根因分析，再考虑重训。
  9. 变更影响评估：对补丁、API 等外部变更，先研究其对模型的影响再采取行动。
  10. 标注/数据标准变更管控：标注指南或输入标准变化时，重新标注分层样本评估偏移并调整数据集。
  11. 持续培训：将 AI 风险与变更意识持续融入安全培训计划，而非一次性或外包培训。
📄 Tips.pdf 补充对照▾
  • 变更流程：组织应该有变更管理流程，变更需要经过授权
  • 变更前：进行风险评估和测试
  • 变更后：持续监控，利用不同数据检测异常，防止频繁更新
  • 治理要点：重要的是高级管理层参与；有效的是全面参与、定制化
  • 变更日志：保证可追溯性
  • 发现问题：1. 暂停 / 找原因 → 2. 回滚 → 3. 重新训练

→ 打开 PDF 补充页查看全部条目

← 上一个考点供应商管理首页导航下一个考点 →治理结构