在人工智能（AI）治理中，越来越需要判断一个 AI 系统在时间推移中是否保持足够的信任度，观察到的变化是否可接受，以及如何以透明且可争议的方式记录这些判断。现有的 AI 信任度研究往往过于宏观，无法支持生命周期监控与重新评估，或过于依赖指标，无法与治理需求相连接。为此，我们提出了一种轻量级的可审计信任水平方法论。
该方法论有两个组成部分：一是用于表示和学习信任水平的正式框架，二是轻量级的 AI 生命周期治理程序，用于记录、监控和重新评估信任水平。正式框架通过一种上下文敏感的可测量维度协议建模治理相关的信任度，并将信任水平学习为可解释的信任档案规则。我们使用决策树作为可解释的概念验证模型类，该方法论生成明确的信任水平、可读的级别转换以及两个简单的生命周期诊断：边界边际和档案漂移。
治理程序将这些正式对象嵌入到一个以合规为导向的工作流程中，涵盖设计阶段标记、部署后监控、重新评估和报告。同时，它还为协议设计、验证、监控和重新评估分配了人类责任和控制环节。我们通过合成的 AI 生命周期轨迹展示了该方法论，这些轨迹涉及退化、冲击、更新、异构监控节奏和系统比较。我们的方案并不取代法律或其他专家的判断，而是通过提供证据基础，支持合规文档和生命周期监控，记录和跟踪与 AI 治理相关的变化。
博主点评： 本文提出的可审计信任水平方法论在 AI 的治理中具有重要意义，为信任度的监控和管理提供了系统化的框架。通过运用决策树等可解释模型，增强了治理过程的透明度与可追溯性，是 AI 信任治理领域的有益探索。