Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# 9. Governance
<a name="governance"></a>

La governance del machine learning comprende una serie di processi e framework che aiutano nella distribuzione di modelli ML. Include la spiegabilità dei modelli, la verificabilità, la tracciabilità e altri requisiti più astratti ma essenziali per un ciclo di vita ML di successo. end-to-end


|  |  | 
| --- |--- |
| **9.1 Qualità e conformità dei dati** | Il sistema ML tiene conto delle considerazioni relative alle informazioni di identificazione personale (PII), inclusa l'anonimizzazione. Ha documentato e analizzato la discendenza a livello di colonna per comprendere la fonte, la qualità e l'adeguatezza dei dati. Dispone inoltre di controlli automatici della qualità dei dati per individuare eventuali anomalie. | 
| **9.2 Audit e documentazione** | Il sistema ML dispone di un registro completo di tutte le modifiche apportate durante lo sviluppo, compresi gli esperimenti eseguiti e i motivi delle scelte effettuate per la conformità normativa. | 
| **9.3 Riproducibilità e tracciabilità** | Il sistema ML include un'istantanea completa dei dati per una reistanziazione precisa e rapida del modello, oppure ha la capacità di ricreare l'ambiente e riaddestrarlo con un campione di dati. | 
| **9.4 Autorizzazione Human-in-the-loop** | Il sistema ML prevede la verifica e l'autorizzazione manuali per la conformità normativa. Il sistema richiede l'approvazione per ogni spostamento dell'ambiente (ad esempio, Dev, QA, Pre-Prod e Prod). | 
| **9.5 Test di pregiudizi e attacchi avversi** | Il sistema ML prevede test antagonistici del *Red Team* che utilizzano più strumenti e vettori di attacco e un controllo automatico dei pregiudizi su sottopopolazioni specifiche. Questo componente si ricollega alla sezione Osservabilità e gestione dei modelli. |