想象你要盖一栋叫「智能客服」的大楼。开工前，街坊里有两位行家递来资料：一位是工程师协会的老会长，手里拿着一沓详细的分项工法——电梯怎么透明、墙面怎么防偏见、门锁怎么保护隐私；另一位是国际建筑联合会派来的顾问，带来的是一本整栋楼的物业管理手册——怎么定制度、怎么评风险、怎么拿绿建认证。两人不是竞争对手，都只是替你把楼盖得安全、住得放心。 IEEE 与 ISO 在 AI 领域的关系，就像这两套图纸：前者提供 P7000 系列等专项工程规范，后者提供 24028、23089、42001 等总体框架与认证体系。本文会把两张图纸展开，先讲两位“出图人”的定位，再逐张看 P7000 伦理流程、透明与隐私、算法偏见，然后看 ISO 侧的可信评估与管理体系，最后告诉你怎样把两张图纸合在一本施工日志里，真正落地并拿到证书。

岗位关联

学会解读 IEEE 与 ISO 标准，等于拿到 AI 合规领域的“图纸翻译器”。你能帮企业挑选合适标准、设计认证路径，并把工程细节写入管理体系，成为最懂规则的那个人。

目录
  1. 可视化演示
  2. 标准组织定位：两套图纸的由来
  3. P7000：伦理设计流程
  4. 透明与隐私：给 AI 开三扇窗
  5. 算法偏见：避免偏心的评审台
  6. ISO 信任与评估：耐震设计和样板间验收
  7. ISO 42001：AI 物业管理体系
  8. 实施、认证与协同：把图纸变成合格证
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示IEEE P7000系列与ISO/IEC标准的架构关系及认证实施路径。

本节配有交互动效（进入视口后自动加载，约 3KB）。

IEEE与ISO标准体系架构 IEEE P7000系列：透明度、福祉、数据来源等伦理维度标准 ISO 42001：AI管理体系可认证标准（PDCA框架） ISO 24028：可信度概念框架（鲁棒性、公平性、可解释性） framework = ISO_mgmt + IEEE_tech + ISO_trust 三大标准互补协同构成完整体系。

标准组织定位：两套图纸的由来

在 AI 这栋楼面前，IEEE 是那条街上最有经验的“工程师协会”。它不直接发牌照，而是特别喜欢写分项工法：这种墙体怎么防偏心、那种窗户怎么做到透明、这扇门怎么保护隐私。每一份工法都对应一个具体工程问题，拿来就能用。ISO 则是国际级的“建筑联合会”，它更关心整栋楼的管理制度、风险责任和验收流程，出品往往是一整套管理体系，而不是单一工具。

落回技术术语，IEEE 是 Institute of Electrical and Electronics Engineers，中文常译为“电气与电子工程师协会”；ISO 是 International Organization for Standardization，常与 IEC 联合发布标准，在 AI 领域主要由 ISO/IEC JTC 1/SC 42 这一委员会推进。我们常听到的 P7000 系列，就是 IEEE 标准协会组织的 AI 伦理工程标准；而 ISO/IEC 23089、24028、42001 等，则是 ISO 侧与 AI 治理相关的标准家族。

面对这么多编号，初看像在装修市场里挑花眼：有人推荐分项工法，有人推荐管理手册，到底先看哪一份？一个简单的方法是给需求打分：把你最在意的伦理、透明、隐私、风险等目标列出来，为每个目标设定权重，再评估某份标准对它的覆盖程度，最后加权求和。

回到大楼例子：IEEE 的图纸解决“某面墙怎么砌”，ISO 的图纸解决“整栋楼谁来负责、出了裂缝怎么报修”。对 AI 项目来说，它们不是二选一，而是按风险和目标组合使用。

Score(Sk)=∑i=1nwi ci\displaystyle \text{Score}(S_k)=\sum_{i=1}^{n}w_i\,c_i
通俗地说，这条分数就是“这份标准对我到底值多少分”：需求越重要、标准覆盖越全，得分就越高。
  1. 列出需求项把项目关心的目标编号成清单，例如伦理、透明、隐私、风险管理。
    i=1,2,…,n\displaystyle i=1,2,\dots,n
  2. 设置需求权重每个需求的重要程度用权重 \(w_i\) 表示，越重要数值越大。
    wi\displaystyle w_i
  3. 评估覆盖程度用 \(c_i\) 表示第 \(i\) 个需求被这份标准覆盖的比例。
    ci\displaystyle c_i
  4. 加权求和把每个需求的权重与覆盖度相乘并累加，得到标准 \(S_k\) 的总分。
    ∑i=1nwi ci\displaystyle \sum_{i=1}^{n} w_i\,c_i

P7000：伦理设计流程

老会长掏出的第一沓图纸，编号叫 P7000。它不像普通施工说明只关心“墙是否承重”，而是要求在开工前先回答一个更难的问题：“这栋楼会不会让住在里面的人感到不公平、不安全？”换句话说，AI 项目不能等上线后才补伦理，而是要在系统设计阶段就把伦理当成一条承重梁。

IEEE 7000-2021 正是这样一份“模型过程”标准，标题直译是“在系统设计过程中解决伦理关切的模型流程”。它告诉团队：先把利益相关方的价值观收集起来，把“公平”“尊严”“自主”这些抽象词翻译成可验证的工程需求，再嵌入需求分析、架构设计、测试验证的每个环节。最终产物通常包括一份伦理影响评估报告，就像设计院出具的“红线图”。

伦理风险不可能一次清零，所以 P7000 特别强调“残余伦理风险”这个概念。团队必须对每个风险场景估算发生可能性和影响程度，再用两者相乘判断风险是否还在可接受范围内。

P7000 的意图，是让每栋 AI 大楼在交付前都有一张“伦理红线图”。工程师拿到这张图，就知道哪里要加护栏、哪里要留逃生门，而不是等住户受伤后再道歉。

Reth=L×S\displaystyle R_{\text{eth}}=L \times S
残余伦理风险等于发生可能性乘以影响程度。数值越高，越要在图纸上标红，并追加缓解措施。
  1. 评估发生可能性用 \(L\) 表示负面伦理事件发生的概率等级，例如低、中、高。
    L\displaystyle L
  2. 评估影响程度用 \(S\) 表示事件一旦发生造成的后果严重程度。
    S\displaystyle S
  3. 相乘得到风险值把两个等级相乘，得到残余伦理风险 \(R_{\text{eth}}\)。
    Reth=L×S\displaystyle R_{\text{eth}}=L \times S

透明与隐私：给 AI 开三扇窗

大楼建好之后，住户最怕遇到两件事：一是走进一个没有窗户的黑房间，完全不知道系统为什么做了这个决定；二是房间里到处是监控，自己的数据被悄悄拿走。IEEE 用 P7001 和 P7002 分别回应了这两个恐惧。

P7001 是关于自主系统透明度的标准，核心思想是“每个利益相关方都应该看到自己该看的信息”。例如，乘客要知道自动驾驶为什么会突然刹车，医生要知道 AI 辅助诊断为什么给出某个结论，监管者要知道系统在什么条件下可能失效。透明度不是把所有日志倾倒给所有人，而是给正确的人开正确尺寸的窗。P7002 则把数据隐私当作一个流程来管，从采集、使用、存储到删除，每一步都要有明确负责人和可审计记录。

衡量透明度最直接的办法，是看系统所有关键决策中，有多少决策能给出让利益相关方理解的理由。

P7001 与 P7002 就像是给 AI 大厦开窗和安门锁：窗户让人看得见，门锁让数据进得去也出得来。缺少任何一套设计，住户都会因为不明不白或胆战心惊而搬走。

T=NexplainableNtotal\displaystyle T=\frac{N_{\text{explainable}}}{N_{\text{total}}}
可解释覆盖率等于“能解释的决策数”除以“总决策数”。这个比值越高，说明大楼里的窗户越多。
  1. 统计可解释决策计算系统有多少关键决策能给出人类可理解的理由，记为 \(N_{\text{explainable}}\)。
    Nexplainable\displaystyle N_{\text{explainable}}
  2. 统计总决策数把需要关注的关键决策总数记为 \(N_{\text{total}}\)。
    Ntotal\displaystyle N_{\text{total}}
  3. 计算覆盖率两者相除，得到透明度指标 \(T\)。
    T=NexplainableNtotal\displaystyle T=\frac{N_{\text{explainable}}}{N_{\text{total}}}

算法偏见：避免偏心的评审台

小区里组织比赛，如果评委只偏爱某些选手，住户很快会发现评分不公平。AI 系统里的偏见也类似：训练数据、特征选择、模型结构甚至运维环境都可能让系统系统性地偏爱某类人群。IEEE P7003 就是要给这个“评审台”装上公平度量尺。

P7003 的全称与算法偏见考量有关，它不追求让所有群体得到完全相同的结果，而是要求团队主动识别偏见来源、选择合适的度量指标、设计缓解策略，并在模型上线后继续监测。常见偏见来源包括历史数据本身带有歧视、采样方式导致某些群体样本过少、代理特征与敏感属性相关等。

度量偏见的常用指标之一是群体差异率，它比较两个群体的正向决策概率。

P7003 的意义不是让所有选手并列第一，而是让评委意识到自己可能偏心，并且给出一套可复核的纠偏流程。就像大楼的评审台要定期校准，偏见度量也必须在模型上线后反复重测。

DP=P(y^=1∣g=A)P(y^=1∣g=B)\displaystyle DP=\frac{P(\hat{y}=1 \mid g=A)}{P(\hat{y}=1 \mid g=B)}
群体差异率把 A 组被肯定的概率除以 B 组被肯定的概率。比值越接近 1，说明评审台越不偏心。
  1. 计算 A 组正向率统计 A 组样本中被系统判定为正向结果的概率。
    P(y^=1∣g=A)\displaystyle P(\hat{y}=1 \mid g=A)
  2. 计算 B 组正向率同样统计 B 组样本中的正向概率。
    P(y^=1∣g=B)\displaystyle P(\hat{y}=1 \mid g=B)
  3. 二者相除得到群体差异率，用 \(DP\) 表示。
    DP=P(y^=1∣g=A)P(y^=1∣g=B)\displaystyle DP=\frac{P(\hat{y}=1 \mid g=A)}{P(\hat{y}=1 \mid g=B)}

ISO 信任与评估：耐震设计和样板间验收

如果说 IEEE 的工法是解决“某一面墙怎么砌”，ISO 侧的 24028 和 23089 则更像“整栋楼的耐震设计指南”和“样板间验收表”。前者回答“什么样的楼才算可靠”，后者回答“怎样一步步验收才能证明它可靠”。

ISO/IEC 24028 提供了一个 AI 可信性的总览，围绕鲁棒性、恢复力、透明度、可解释性、可控性等属性展开。它不是一张可以随时拿来打分测试的检查表，更像一本建筑学基础教材，帮团队理解“可信”到底由哪些维度组成。ISO/IEC 23089 则把机器学习用例和评估流程结合起来，指导团队从数据准备、模型训练、部署到运维的每个阶段设置评估点，像样板间验收一样逐项留痕。

实践中，可以把多个可信属性分别打分，再取平均作为总体信任分数。

24028 和 23089 像一对“体检医生”：一个告诉你健康包含哪些指标，另一个告诉你体检报告应该怎么出具。把这两份标准当作工程设计背景，AI 团队才能知道自己缺什么数据、补什么测试。

τ=1n∑i=1nai\displaystyle \tau=\frac{1}{n}\sum_{i=1}^{n}a_i
总体信任分数等于各可信属性分数的平均值。分数高不代表绝对安全，但说明每个关键维度都有人检查过。
  1. 列出可信属性把鲁棒性、可解释性、可控性等属性编号。
    i=1,2,…,n\displaystyle i=1,2,\dots,n
  2. 给每个属性打分每个属性的评估结果为 \(a_i\)。
    ai\displaystyle a_i
  3. 求平均值把所有属性分数相加并除以数量 \(n\)，得到综合信任分数 \(\tau\)。
    τ=1n∑i=1nai\displaystyle \tau=\frac{1}{n}\sum_{i=1}^{n}a_i

ISO 42001：AI 物业管理体系

再好的分项工法，如果没有物业管理，大楼住久了还是会变成杂物间。ISO/IEC 42001 就是一套专为 AI 组织设计的“物业管理体系”，标准名称常简称为 AIMS，即 Artificial Intelligence Management System。

AIMS 的第一件事是界定“这栋大楼归谁管”：组织先明确 AI 体系的范围、相关方、目标和方针，再围绕 AI 生命周期建立计划、执行、检查、改进的循环，也就是 PDCA。与 IEEE 的分项标准不同，42001 不是只教你怎么做一个模型，而是要求组织建立风险登记册、控制措施、内部审核机制和持续改进流程，并且允许由第三方认证机构发证。

风险优先级排序在 42001 里非常常见。一个风险可以按严重程度、发生频次和可检测性三个维度打分，乘在一起得到优先级。

ISO 42001 真正把 AI 治理从“靠个人英雄”变成了“靠制度运转”。它像物业管理制度一样，不以某一次完美交付为目标，而是用 PDCA 保证每个月都有巡查、有整改、有记录。

RPN=S×O×D\displaystyle RPN=S \times O \times D
风险优先级数等于严重度 × 发生频次 × 可检测性倒数。数值越大，说明越需要优先处理。
  1. 评估严重度表示风险发生后的影响大小，记为 \(S\)。
    S\displaystyle S
  2. 评估发生频次表示风险出现的可能性高低，记为 \(O\)。
    O\displaystyle O
  3. 评估可检测性表示风险是否容易被发现，记为 \(D\)，越难发现得分越高。
    D\displaystyle D
  4. 三项相乘得到风险优先级数，用于给整改计划排队。
    RPN=S×O×D\displaystyle RPN=S \times O \times D

实施、认证与协同：把图纸变成合格证

两套图纸都摊开之后，最关键的步骤是把它们合进一本施工日志。实际落地时，建议先做差距分析，看看组织目前缺的是“工程细节”还是“管理体系”，再决定优先引入 IEEE P7000 系列还是 ISO 侧标准。

认证路径通常是这样：先确定认证范围，比如“智能风控模型的全生命周期”，然后对照 ISO/IEC 42001 做差距分析，补齐方针、风险登记册、控制措施和审计记录，接着进行内部审核和管理评审，最后邀请第三方认证机构做正式审核。拿到证书后还有定期监督审核，不是一劳永逸。

为了判断体系是否真正落地，审计中常看一个符合率指标：在抽样的审核项里，有多少项满足要求。

回到大楼故事：IEEE 的工法保证“墙砌得正”，ISO 的物业手册保证“楼有人管”。只有两份图纸协同使用，才能既让工程质量有细节支撑，又让管理责任有体系兜底，最终换来一张别人信任的合格证。

C=NcompliantNaudited×100%\displaystyle C=\frac{N_{\text{compliant}}}{N_{\text{audited}}}\times 100\%
符合率等于抽样中“合格项”除以“总抽样项”。审计员不是背标准条文，而是看证据是否闭环。
  1. 抽取审核项从制度、记录、技术控制措施中抽样，总数记为 \(N_{\text{audited}}\)。
    Naudited\displaystyle N_{\text{audited}}
  2. 统计合格项其中满足标准与内部要求的项目数记为 \(N_{\text{compliant}}\)。
    Ncompliant\displaystyle N_{\text{compliant}}
  3. 计算百分比两者相除并乘以 100%，得到符合率 \(C\)。
    C=NcompliantNaudited×100%\displaystyle C=\frac{N_{\text{compliant}}}{N_{\text{audited}}}\times 100\%

AI 应用场景

场景一：企业合规标准的“体检选型”

阶段：合规评估与治理

解决的问题：企业面对多份标准时，最常见的痛点不是“有没有标准”，而是“不知道先做哪份”。传统做法是领导拍板或模仿竞品，导致买了一堆文档却落不了地。AI 的解决方式是用标准覆盖度打分工具，把项目标签与标准关键词对齐，快速算出哪份标准与当前需求最匹配。

具体案例：某金融公司准备上线智能风控模型，输入“ethics、bias、audit”等项目标签后，系统推荐优先采用 IEEE 7003 做偏见评估，并同步启动 ISO 42001 差距分析。团队把结果写入合规路线图，三个月后进入内部审计阶段。

场景二：算法偏见治理的“公平秤”

阶段：模型评测与持续监控

解决的问题：只看准确率会让偏见被“平均值”掩盖。传统评测只报总体 AUC，看不到不同性别、年龄段的通过率差异。AI 团队可以用群体差异率指标定期检查模型，并把超标结果反馈给业务方做再训练或规则调整。

具体案例：信贷审批模型被要求监控不同年龄段申请人的通过率，设定群体差异率不低于 0.8。首次评估发现某年龄段比率只有 0.67，触发预警；算法团队重新采样并加入公平约束后，比率回升到 0.91，审计记录同步进入 ISO 42001 管理评审。

Python 演示

python49 行
# -*- coding: utf-8 -*-"""A small advisor for choosing IEEE/ISO AI standards.""" class StandardsAdvisor:    def __init__(self):        self.catalog = {            "IEEE 7000": ["ethics", "design", "stakeholder"],            "IEEE 7001": ["transparency", "explanation", "user"],            "IEEE 7002": ["privacy", "data", "consent"],            "IEEE 7003": ["bias", "fairness", "dataset"],            "ISO 24028": ["trust", "robustness", "resilience"],            "ISO 23089": ["ml", "evaluation", "lifecycle"],            "ISO 42001": ["management", "risk", "audit"]        }        self.weights = {            "ethics": 3,            "privacy": 3,            "bias": 2,            "transparency": 2,            "risk": 2,            "trust": 1,            "ml": 1,            "audit": 2        }        self.seen = []     def score(self, project_tags):        result = []        for std, tags in self.catalog.items():            hit = set(project_tags) & set(tags)            raw = sum(self.weights.get(tag, 1) for tag in hit)            max_raw = sum(self.weights.get(tag, 1) for tag in tags)            ratio = raw / max_raw if max_raw else 0.0            result.append((std, ratio, sorted(hit)))        result.sort(key=lambda item: item[1], reverse=True)        return result     def recommend(self, project_tags, threshold=0.5):        scored = self.score(project_tags)        self.seen = [s[0] for s in scored if s[1] >= threshold]        return self.seen  if __name__ == "__main__":    advisor = StandardsAdvisor()    tags = ["ethics", "privacy", "bias", "audit", "ml"]    for std, ratio, hit in advisor.score(tags):        print("%-12s %5.2f" % (std, ratio))    print("recommended:", ", ".join(advisor.recommend(tags)))
目的：把项目标签与各标准关键词做交集，按权重计算覆盖度并排序，快速给出标准推荐清单。
  1. self.catalog = {用一个字典维护标准库，每份标准对应一组业务关键词。
  2. hit = set(project_tags) & set(tags)求项目和标准的共同标签，反映这份标准能覆盖哪些关注点。
  3. raw = sum(self.weights.get(tag, 1) for tag in hit)对命中标签按权重累加，得到加权得分。
  4. ratio = raw / max_raw if max_raw else 0.0把加权得分除以该标准的理论满分，得到 0 到 1 的覆盖度。
  5. result.sort(key=lambda item: item[1], reverse=True)按覆盖度从高到低排序，让团队第一眼看到最匹配的标准。

常见误区

误区看到 IEEE P7000、P7001、P7002 等一串编号，以为它们和 ISO 42001 一样，都能请第三方机构审核并发证书。

正解IEEE P7000 系列大多是工程过程标准或指南，解决“怎么设计、怎么记录”，本身不是管理体系认证标准。真正能作为 AI 管理体系认证依据的通常是 ISO/IEC 42001。就像拿到“砌墙工法图”不等于拿到“整栋楼验收报告”，两者用途完全不同。

为何常见：因为标准编号都叫“P 系列”，看起来体系感很强，初学者容易把“标准文档”与“可认证规范”混为一谈。

误区以为导入 ISO 42001 就是在给模型做安全测试，测完没有漏洞就能拿到证书。

正解ISO 42001 是管理体系标准，关注组织结构、方针、风险登记册、内审和管理评审，而不是替你做一次技术实验。它像物业公司的管理制度，而不是消防喷淋头的质检报告；制度再完善，也仍需工程测试去验证具体模型质量。

为何常见：因为 AI 领域经常讨论“安全测试”，看到 42001 也带“安全”概念，就误以为它是测试工具。

误区有些人认为 P7000 系列和 ISO 42001 都在讲 AI 伦理，既然内容重叠，不如只学一份。

正解IEEE 擅长工程细节，ISO 擅长管理框架。前者告诉你“如何让某个决策透明”，后者告诉你“由谁定期审查透明性目标是否达成”。两者是互补关系，就像结构工程师和物业经理不会因为都关心房子而吵架，而是各司其职。

为何常见：因为两份标准都会提到伦理、风险、责任等关键词，只看目录容易觉得同义反复。

误区企业通过认证后，团队误以为模型不可能再出偏见、隐私或鲁棒性问题。

正解ISO 42001 证书证明组织建立了持续改进的管理体系，不代表 AI 系统绝对无风险。它更像“物业公司获得 ISO 认证”，只说明有巡查、有记录、有整改流程，不代表这栋楼永远不发生漏水。

为何常见：因为证书自带权威感，人们容易把“过程合规”误解为“结果完美”。

面试题

Q1. IEEE 7000-2021 最关注的是下列哪一项？

单选题 · easy

  • A.通信协议中的速率上限
  • B.系统设计中的伦理风险← 正确答案
  • C.数据库中的索引结构
  • D.编译器中的内存分配

答案：B。IEEE 7000-2021 要求团队在系统设计阶段识别并解决伦理关切，因此核心是设计过程中的伦理风险。通信速率、索引结构、内存分配分别属于网络、数据库和编译器领域，不是该标准的主战场。

Q2. 下列哪份 IEEE 标准直接聚焦算法偏见？

单选题 · easy

  • A.IEEE 7000
  • B.IEEE 7003← 正确答案
  • C.IEEE 7001
  • D.IEEE 7002

答案：B。IEEE 7003 专门讨论算法偏见的来源、度量和缓解策略。IEEE 7000 是伦理设计总流程，IEEE 7001 关注透明度，IEEE 7002 关注数据隐私，所以本题选 IEEE 7003。

Q3. ISO 42001 最适合被比喻成什么？

单选题 · easy

  • A.一块玻璃的透光配方
  • B.一台电梯的速度曲线
  • C.整栋楼的物业管理规范← 正确答案
  • D.一根钢梁的焊接工艺

答案：C。ISO 42001 是 AI 管理体系标准，关心组织制度、风险和持续改进，因此更像“物业管理规范”。玻璃配方、电梯曲线、钢梁工艺都属于具体工程细节，对应 IEEE 式分项标准。

Q4. ISO/IEC 24028 主要提供什么？

单选题 · mid

  • A.SQL 优化的查询语法
  • B.数据中心的散热标准
  • C.操作系统进程调度方案
  • D.AI 可信属性总体概述← 正确答案

答案：D。ISO/IEC 24028 是 AI 可信性的总体概述，系统梳理鲁棒性、透明性、可控性等可信属性。SQL、散热、进程调度都是其他领域的主题，与 24028 的知识边界无关。

Q5. 实施 ISO 42001 时，第一步最重要的工作是什么？

单选题 · mid

  • A.立即购买昂贵审计软件
  • B.把所有模型统一下线
  • C.跳过文档直接照抄模板
  • D.明确组织范围和风险目标← 正确答案

答案：D。任何管理体系都要先界定边界和目标，才能谈制度和风险。买软件、统一下线、照抄模板都无法替代对自身 AI 场景的界定，因此开头一定要做清楚范围和风险目标。

Q6. IEEE 7002 数据隐私流程最强调什么？

单选题 · mid

  • A.采集、使用、删除全过程← 正确答案
  • B.禁止任何日志产生
  • C.伪造训练样本模糊数据
  • D.把数据备份到离线磁带

答案：A。IEEE 7002 把隐私当作贯穿数据生命周期的流程来管理，尤其关注从采集到删除的完整闭环。禁止日志会伤害审计，伪造数据违反真实原则，离线备份只是存储手段，不是流程核心。

Q7. 在使用 IEEE 与 ISO 标准体系时，正确做法是什么？

单选题 · mid

  • A.用 P7000 系列替代管理体系
  • B.只选最新版本不读内容
  • C.二者互补并按风险取舍← 正确答案
  • D.用 42001 覆盖所有工程细节

答案：C。IEEE P7000 系列解决工程细节，ISO 42001 管理体系解决制度责任，二者应当互补。用某一套覆盖全部需求，或只追求最新版本不深读内容，都容易导致标准空转。

Q8. 根据 IEEE 7001 的透明度思想，系统应向用户提供哪些信息？

多选题 · mid

  • A.决策理由与置信程度← 正确答案
  • B.责任主体与使用限制← 正确答案
  • C.风险提示与纠错入口
  • D.餐饮供应商结算价格

答案：AB。IEEE 7001 强调让利益相关方理解系统为什么这样做、由谁负责、何时可用。决策理由、置信程度、责任主体和使用限制都是透明度的重要组成部分。餐饮供应商价格与系统运行无关，不应出现在解释信息中。

Q9. ISO 42001 管理体系认证前的合理活动包括哪些？

多选题 · hard

  • A.定义体系范围与边界← 正确答案
  • B.开展差距分析并改进← 正确答案
  • C.用演示汇报代替证据
  • D.实施内部审核与评审← 正确答案

答案：ABD。认证前必须先确定范围、做差距分析、补齐整改，并执行内部审核和管理评审。演示汇报只能用于沟通，不能替代可追溯的记录与证据，因此 C 是错误的做法。

Q10. 要把 IEEE 7003 与 ISO 42001 结合实施，合理做法包括哪些？

多选题 · extreme

  • A.用偏见测试支持内审指标← 正确答案
  • B.把缓解措施写进管理目标← 正确答案
  • C.用合规记录代替工程重训
  • D.将测试结果用于管理评审← 正确答案

答案：ABD。IEEE 7003 产出偏见测试结果，可以成为 ISO 42001 内审、管理评审和持续改进的输入；缓解措施也应写入管理目标并跟踪。但合规记录只能证明做了过程管理，不能替代重新训练模型这一工程动作。