📘 本文件为本笔记系列正文第 1 部分。主文件（前序与总览）含全系列索引：UL 3115 AI人工智能产品安全评估大纲学习笔记（前序） - 概述与总览
第三章：稳健性、可靠性与数据基础【引述依据：8–11 / 36–38】
3.1 为什么把这两块内容合在一章读
原标准把"Robustness and Reliability"放在第 8–11 章，"Data Collection and Analysis"放在第 36–38 章，中间隔了二十多章。但任何做过 AI 产品的人都知道：这两件事是同一件事的两面。
稳健性说的是"模型在新数据上还准不准"，而决定这件事的根本不是模型结构，是训练数据覆盖了什么、没覆盖什么。数据采集章节要求的是"数据来源合法、充分、可辩护"，而"充分"这个词的判据，恰恰就是第 11 章里模型在长尾场景的表现。
因此本部分把两块合并讲解，阅读顺序是：先看模型要扛住什么（8–11 章），再看数据要怎么准备（36–38 章）。这样读能看清一条闭环：数据缺陷会在模型指标上暴露，模型指标不达标时又必须回到数据侧解决。
第 8–11 章的骨架非常规整，可以当成整个标准的"模板章"来读：
| 章节 | 内容性质 | 学习要点 |
|---|---|---|
| 第 8 章 | General（概述） | 说明本原则域的目标与适用范围 |
| 第 9 章 | Key Considerations（关键考量） | 列出本域必须想清楚的问题 |
| 第 10 章 | General Guidelines（通用指南） | 给出方向性做法，不含强制判据 |
| 第 11 章 | Requirements and Guidelines | 编号要求 R1–R5，是可审核的部分 |
💡 行业经验提示：读这类"四段式"标准，最容易犯的错是只读第 11 章的 R 条目。实际上第 9 章的 Key Considerations 才是审核员提问的来源——他们常问"你们考虑过这个概念漂移吗"，而这个问题不会写在 R 条目里，只会写在第 9 章。建议把 Key Considerations 抄进项目评审清单，比抄 R 条目更有用。
3.2 数据质量与多样性：R1 的两组四维
R1（对应 11.1.1）提出的是"数据质量与多样性"要求，拆成两组维度，每组四个。这八个维度构成了 AI 数据准备工作的最小检查集。
第一组：数据质量四维
| 维度 | 含义 | 典型失效表现 | 工程上怎么查 |
|---|---|---|---|
| Accuracy（准确性） | 标注与真实情况一致 | 标签错标、漏标 | 抽样人工复核、标注一致性（inter-annotator agreement） |
| Consistency（一致性） | 同一实体在不同记录中表达统一 | 同义词混用、单位混用、时间格式混杂 | 字段字典 + 规则校验 + 正则扫描 |
| Completeness（完整性） | 关键字段不缺失 | 关键特征大面积空值 | 空值率统计、必填项校验 |
| Relevance（相关性） | 数据与目标任务相关 | 用了与目标无关的历史数据凑量 | 特征重要性分析、业务口径评审 |
第二组：数据多样性四维
| 维度 | 含义 | 为什么重要 |
|---|---|---|
| Representation（代表性） | 各子群在数据中的比例合理 | 少数群体样本过少会直接导致该群体精度崩塌 |
| Demographic Inclusivity（人群包容性） | 覆盖年龄、性别、地域、语言、身体条件等差异 | 与第 19–22 章的公平性要求直接咬合 |
| Temporal Diversity（时间多样性） | 覆盖不同时间段的数据 | 只用一个季度的数据训练，遇到季节性或趋势变化立刻失效 |
| Scenario Coverage（场景覆盖） | 覆盖正常、边界、异常、退化各类工况 | 长尾场景缺失是"实验室好用、现场出事"的首要原因 |
💡 行业经验提示：这八个维度里，行业里最容易"填表通过、实际失控"的是 Completeness 和 Scenario Coverage。原因很实际——空值率可以用一行代码统计，看着数字漂亮，但如果关键特征是"看似有值实则默认填充"，完整性就是假的。同理，场景覆盖常常用"我们采集了 10 万条数据"来回答，而真正要看的是每个失效模式对应多少条样本。建议在数据说明文档里强制要求"按失效模式统计样本量"这一列。
11.1.2 的指南层给出了六类支撑手段，它们构成了数据质量的"工具箱"，并且明确指向三个附录：
- 自动化校验——用规则引擎在入库时拦截格式、范围、枚举值异常；
- 人工复核——对高风险样本做抽样人工确认，抽样比例应与风险等级挂钩；
- 数据清洗——去重、纠错、统一口径，清洗过程本身要留痕（否则无法证明清洗没有引入偏差）；
- 统计分析——分布、频次、相关性、多变量结构分析，方法见 附录 B；
- 偏见检测——按群体切片比较指标差异，方法见 附录 C；
- 差距分析——找出数据覆盖的空白区，方法见 附录 D。