Toward Trustworthy AI Systems: A Converged Architecture for Governance, Reliability, and Automated Testing in Enterprise Platforms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Enterprise adoption of artificial intelligence has shifted from isolated prediction services toward deeply integrated platforms that influence workflows, customer interactions, compliance obligations, and operational resilience. This shift has created a practical challenge: organizations can no longer treat governance, system reliability, and software testing as separate disciplines. A model may be accurate in development but still fail in production because of data drift, weak controls, missing lineage, insufficient monitoring, or inadequate rollback mechanisms. This paper presents a converged architecture for trustworthy AI systems that unifies governance controls, reliability engineering, and automated testing into a single enterprise operating model. The proposed architecture is derived from prior work on trustworthy AI frameworks, lifecycle assurance, MLOps, AIOps, observability, and architecture-centered software governance. It organizes enterprise AI into five interoperable layers: policy and risk governance, data and feature integrity, model assurance, runtime observability, and continuous improvement. The paper also introduces a trust evidence loop in which policy artifacts, test outputs, telemetry, and post-deployment findings are continuously linked for auditability and operational learning. Rather than proposing trustworthiness as a static checklist, the paper treats it as a measurable systems property sustained through design-time and run-time evidence. The result is an architecture intended to improve reliability, accelerate compliant delivery, reduce hidden technical debt, and strengthen organizational confidence in AI-enabled 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.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,009 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle