微软将人工智能治理机制从政策层面转向运行时执行环节
微软提出了一种涵盖九个治理领域和四种功能的AI治理架构：政策制定、控制机制、透明度以及审计证据。这一框架将政策规定与运行时的执行措施、持续评估机制、可观测性体系、身份管理机制、安全保障措施以及审计流程相结合，从而帮助各组织在AI应用实际投入生产环境后验证其是否符合相关的治理要求。 作者：Leela Kumili
微软提出了一种涵盖九个治理领域和四种功能的AI治理架构：政策制定、控制机制、透明度以及审计证据。这一框架将政策规定与运行时的执行措施、持续评估机制、可观测性体系、身份管理机制、安全保障措施以及审计流程相结合，从而帮助各组织在AI应用实际投入生产环境后验证其是否符合相关的治理要求。
作者：Leela Kumili相关文章
演示：运用eBPF技术让您的人工智能系统及API焕发新的活力 🪄
Dan Finneran探讨了在生产环境中使用未被妥善管理的AI生成代码所带来的风险，并展示了如何利用eBPF技术在Kubernetes中拦截并控制与AI相关的API请求。他解释了如何通过内核级别的套接字钩子来实现对提示信息的过滤、模型切换、令牌限制以及系统调用功能的管控，从而在无需修改应用程序的源代码或重新启动容器的情况下保障AI系统的安全性。 作者：Dan Finneran
阅读全文
大规模的人工智能代码审查：LinkedIn采用的多智能体解决方案
在LinkedIn这样的规模下，仅仅依靠人工审核员来处理代码审查任务，或者直接将现成的AI审核系统应用于GitHub，显然并不是一种有效的管理方式。为了解决这个问题，LinkedIn的工程师们开发了一个多智能体的AI代码审查平台——该平台能够理解企业的编码规范与环境，将代码审查视为一种重要的生产性基础设施，并有效减少错误判断以及那些信息量较少的反馈结果。 作者：Sergio De Simone
阅读全文
Cloudflare利用人工智能技术，使Astro在GitHub上遇到的问题数量减少了85%。
Cloudflare、Astro、AI智能体、GitHub Actions、问题分类与处理、智能代理技术、软件架构、开源技术、开发者工具、AI自动化、自动测试、人工干预机制、代理工作流程、GitHub、软件工程、AI软件开发、错误排查、持续集成、开发者效率、自主智能体、AI编程、Cloudflare Workers、Flue、triagebot 作者：Leela Kumili
阅读全文
人工智能是如何颠覆工程领域的进步与发展进程的？
在伦敦QCon大会上，阿拉斯代尔·艾伦在题为“当AI取代了职业发展中的中间环节时” 的演讲中指出：AI通过消除各个职业发展阶段中的学习机会，扰乱了人们的职业发展路径；但同时，它也让人们能够超越自身的经验水平去完成任务。因此，越来越少的初级开发人员选择进入这个行业，而AI也使得入门级别的招聘活动变得缓慢。 作者：本·林德斯
阅读全文