The AI Engineer’s Guide to Surviving the EU AI Act

⚖️ با معرفی قانون هوش مصنوعی اتحادیه اروپا (EU AI Act)، شرکت‌هایی که از سیستم‌های هوش مصنوعی استفاده میکنند با مجموعه جدیدی از مقررات جامع و سخت‌گیرانه روبرو میشوند. دکتر لاریسا ویسنگریوا یک راهنمای بسیار ضروری برای پیمودن این مسیرهای رگولاتوری ناشناخته از دیدگاه مهندسی هوش مصنوعی ارائه میده تا به شما کمک کنه با اطمینان کامل با چالش‌های انطباق قانونی (Compliance) روبرو بشید. این کتاب جامع، از تشریح چارچوب قانون‌گذاری گرفته تا اشتراک‌گذاری استراتژی‌هایی برای پیاده‌سازی مهندسی هوش مصنوعی مستحکم و حاکمیت داده و هوش مصنوعی، به شما نشان میده که چطور تحت قانون هوش مصنوعی اتحادیه اروپا نه تنها دوام بیارید، بلکه رشد کنید. این یک ابزار حیاتی برای مهندسان، دانشمندان داده و سیاست‌گذارانی است که در حال حاضر درگیر پیاده‌سازی هوش مصنوعی در اتحادیه اروپا هستند یا برای اون برنامه‌ریزی میکنند.

✨ ویژگی‌های کلی

📚 به درک عمیقی از قانون هوش مصنوعی اتحادیه اروپا، از جمله چهار دسته ریسک و معنای آن‌ها برای خودتون دست پیدا میکنید.

🛠 استراتژی‌های لازم برای پایبندی به قوانین و رویکردهای عملی برای دستیابی به آمادگی فنی رو یاد میگیرید.

💡 توصیه‌های کاربردی و قابل اجرایی در مورد به‌کارگیری متدولوژی‌های مهندسی هوش مصنوعی برای تضمین انطباق مداوم با قانون دریافت میکنید.

🌍 پیامدهای رویکرد پیشگامانه اتحادیه اروپا در رگولاتوری هوش مصنوعی و تاثیرات جهانی اون رو بررسی میکنید.

📑 فهرست مطالب

1 درک مقررات هوش مصنوعی

2 مهندسی هوش مصنوعی: یک کاتالیزور پیش‌دستانه برای انطباق با قانون

3 حاکمیت داده و هوش مصنوعی و مهندسی هوش مصنوعی

4 ارزیابی سیستم هوش مصنوعی و شخصی‌سازی مهندسی هوش مصنوعی برای سطوح مختلف ریسک

5 مهندسی هوش مصنوعی برای سیستم‌های هوش مصنوعی پرخطر

6 مهندسی هوش مصنوعی برای سیستم‌های هوش مصنوعی با ریسک محدود

7 به سوی هوش مصنوعی عمومی و هوش مصنوعی مولد قابل اعتماد

A طراحی اپلیکیشن‌های قدرت‌گرفته از هوش مصنوعی

B محصولات داده و قراردادهای داده

C یکپارچه‌سازی حاکمیت هوش مصنوعی و MLOps

D نقش‌های نوظهور در سازمان‌ها برای انطباق با قانون هوش مصنوعی اتحادیه اروپا

✍️ درباره نویسنده

لاریسا ویسنگریوا دارای مدرک دکترا در مدیریت کیفیت داده است و رئیس سابق بخش داده و هوش مصنوعی در شرکت INNOQ بوده است. او به عنوان خالق وب‌سایت ml-ops.org و یکی از نویسندگان datamesh-architecture.com، از طریق اشتراک‌گذاری دانش و مدرسه‌سازی برای کامیونیتی، به پیشرفت این حوزه کمک میکنه.

With the introduction of the EU AI Act, companies employing AI systems face a new set of comprehensive and stringent regulations. Dr. Larysa Visengeriyeva offers a much-needed guide for navigating these unfamiliar regulatory waters from the AI engineering perspective to help you meet compliance challenges with confidence. From explaining the legislative framework to sharing strategies for implementing robust AI engineering and data and AI governance practices, this wide-ranging book shows you how to thrive, not just survive, under the EU AI Act. It’s an indispensable tool for engineers, data scientists, and policymakers engaged in or planning for AI deployments within the EU.

• Gain an in-depth understanding of the EU AI Act, including the four risk categories and what they mean for you

• Learn strategies for compliance and practical approaches to achieving technical readiness

• Get actionable advice on applying AI engineering methodologies to ensure ongoing compliance

• Examine the implications of the EU’s pioneering approach to AI regulation and its global effects

Table of Contents

Chapter 1. Understanding the Al Regulations

Chapter 2. Al Engineering: A Proactive Compliance Catalyst

Chapter 3. Data and Al Governance and Al Engineering

Chapter 4. Al System Assessment and Tailoring Al Engineering for Different Risk Levels

Chapter 5. Al Engineering for High-Risk Al Systems

Chapter 6. Al Engineering for Limited-Risk Al Systems

Chapter 7. Toward Trustworthy General-Purpose Al and Generative Al

Appendix A. Designing Al-Powered Applications

Appendix B. Data Products and Data Contracts

Appendix C. The Integration of Al Governance and MLOps

Appendix D. Emerging Roles in Organizations for EU Al Act Compliance

About the Author

Larysa Visengeriyeva has a PhD in data quality management and is the former head of data and AI at INNOQ. As the creator of ml-ops.org and coauthor of datamesh-architecture.com, she’s helping advance the field through knowledge sharing and community building.