本文提出了一种新的用例框架文档方法，名为 “用例卡片”，基于 UML 标准，旨在支持按照欧洲人工智能法案（AI Act）的风险导向方法来制定文档，并提供了关于系统 - 用户交互和关系的支持性 UML 图表，此文档方法能够成为政策制定者和提供者的有用工具。

Jun, 2023

在本研究中，我们结合欧洲联盟的最新监管努力和针对 AI 指南的初步提案与研究趋势：数据和模型卡片。我们建议在整个开发过程中使用标准化卡片来记录 AI 应用，主要贡献是引入了用例和操作卡片，并对数据和模型卡片进行了更新，以满足监管要求。我们的卡片引用了最近的研究以及监管规定的来源，并在可能的情况下提供了额外支持材料和工具箱的参考。我们的目标是设计出有助于从业人员在开发过程中开发安全 AI 系统的卡片，同时使得第三方对 AI 应用进行高效审计，易于理解，并在系统中建立信任。我们的工作结合了与认证专家、开发人员和使用开发的 AI 应用的个人的访谈洞察。

Jul, 2023

通过对 AI 模型的 32,111 份文档进行全面分析，我们发现 AI 模型的文档化做法存在不足，其中环境影响、限制和评估等方面填写的比例最低，而训练部分则是填写最完整的。此外，我们发现数据的讨论相当重要，有时甚至比模型本身还要强调。通过将详细的模型卡添加到之前没有或只有少量模型卡的 42 个热门模型，我们发现添加模型卡 moderately 相关于周下载量的增加。通过大规模数据科学和语言学分析，我们的研究为分析模型文档化的社区规范和实践打开了新的视角。

Feb, 2024

使用大型语言模型（LLMs）提出了一种自动化生成方法，以处理当前人类生成的模型和数据卡中的信息不完整问题，并建立了 CardBench 数据集和 CardGen 流水线，实现了生成模型和数据卡的完整性、客观性和真实性的提升，是负责任的 AI 文档实践中迈出的重要一步，确保更好的可追溯性和问责制。

May, 2024

欧盟人工智能法案是一项基于风险的前瞻性监管方法，旨在预防某些有害结果，并提倡对数据质量和人工监督进行批判性检查；我们建议将责任视为主要监管机制，并区分潜在危害的内生和外生因素，通过合理分配开发者和使用者之间的责任来减轻风险。

Nov, 2023

本文提出了一种风险分析标准，基于我们提出的人工智能风险分类法，在透明度和披露方面加强了 AI 行业，并基于公开信息对一些著名的 AI 系统进行了风险分析，这标志着比起使用技术披露例如模型卡片 (Mitchell 等人，2019 年)，我们将能够更好地了解与 AI 系统相关的风险并指导决策制定、采购和部署。

Sep, 2023

通过引入一种高度自动化的系统，我们可以捕获与人工智能系统和模型的合规性相关的数据，并跨越这些数据进行分析，从而加强和加速 AI 法规的合规评估。

Jun, 2024

本文提出了数据卡片 (Data Cards) 的概念以促进人性化的大规模模型开发过程中透明、有目的性和人性化的数据记录方法，数据卡片是必要的用户文档，提供关于机器学习数据各个方面的基本事实的结构化总结。本文描述了将数据卡片落实到实际应用的多种框架，并通过两个案例研究报告了支持领域、组织结构和观众群体的可采用特性，最后总结了 20 个数据卡片的部署经验。

Apr, 2022

本文阐述了目前 AI 文档标准的局限性，并提出动态文档作为评估 AI 系统的新范式。通过对比传统环境影响声明框架与目前算法文档标准之间的区别，以及结合模型卡和两个算法影响评估案例的分析，最后评估了动态 AI 文档规范的最新提议。

Mar, 2023

对欧盟 AI 规则的初稿进行了分类，并与计算机科学和法律专家一起将其按照 AI 法案进行分类，表明需要更加明确具体的规定，并且只有大约 30％的 AI 系统被 AI 法案约束，其余分类为低风险。

Mar, 2023