A Trustworthy AI and Data Governance Architecture for Ensuring Integrity and Ethics in Large Language Model Deployments across Enterprise Platforms
Notice bibliographique
Résumé
The rapid enterprise adoption of Large Language Models (LLMs) has transformed knowledge work, decision support, and digital service delivery, yet their deployment introduces substantial risks related to data integrity, privacy exposure, algorithmic bias, hallucinated outputs, and unclear accountability across organizational boundaries. Traditional data governance and information security models were not designed to manage probabilistic, generative systems whose behaviors evolve dynamically with context, prompting the need for a new class of trustworthy AI governance mechanisms. This paper proposes a comprehensive Trustworthy AI and Data Governance Architecture that embeds integrity, ethics, and compliance controls directly into the lifecycle of enterprise LLM deployments, spanning data acquisition, model training, fine-tuning, retrieval augmentation, prompt orchestration, inference monitoring, and post-deployment auditing. The framework integrates policy-driven guardrails, lineage tracking, explainability checkpoints, human-in-the-loop oversight, and continuous risk evaluation to ensure traceability and responsible decision making. Control layers are aligned with emerging guidance from National Institute of Standards and Technology risk management principles and regulatory expectations established by the European Commission AI governance initiatives, enabling measurable assurance of fairness, reliability, and accountability. Through a design-science methodology and enterprise reference scenarios, the architecture demonstrates how organizations can operationalize ethical AI practices without sacrificing scalability or performance. The proposed model advances governance-by-design, transforming trust from an abstract principle into enforceable technical and procedural controls, thereby enabling safe, compliant, and sustainable LLM adoption across complex enterprise platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,034 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».