💰 quantitative finance

Smart Data Portfolios: A Governance Framework for AI Training Data

यह शोध पत्र स्मार्ट डेटा पोर्टफोलियो (SDP) ढांचे को प्रस्तुत करता है, जो एआई प्रशिक्षण डेटा को जोखिम वहन करने वाली परिसंपत्तियों के रूप में मानता है ताकि एक शासन-कुशल सीमा (governance-efficient frontier) को औपचारिक रूप दिया जा सके जो सूचनात्मक प्रतिफल और नियामक बाधाओं के बीच संतुलन बनाता है, जिससे संस्थान अनुपालन योग्य एआई परिनियोजन के लिए डेटा चयन को न्यायसंगत और अनुकूलित करने में सक्षम होते हैं।

मूल लेखक: A. Talha Yalta, A. Yasemin Yalta

प्रकाशित 2026-03-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: A. Talha Yalta, A. Yasemin Yalta

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शेफ हैं जो दुनिया का सबसे बेहतरीन सूप बनाने की कोशिश कर रहे हैं। आपके पास एक पेंट्री है जिसमें ताजी सब्जियां, महंगी मसाले, डिब्बाबंद सामान और अलमारी के पीछे रखे कुछ रहस्यमय जार मौजूद हैं।

आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में, यह "सूप" वह स्मार्ट कंप्यूटर प्रोग्राम है, और इसके "सामग्री" (ingredients) वह डेटा है जिसका उपयोग उसे सिखाने के लिए किया जाता है।

लंबे समय से, नियामक (खाद्य सुरक्षा निरीक्षक) इस सूप को लेकर चिंतित रहे हैं। वे कहते हैं, "हमें जानना है कि इस बर्तन में वास्तव में क्या है! क्या यह निष्पक्ष है? क्या यह सुरक्षित है? क्या आपने ये मसाले चुराए हैं?" लेकिन शेफ (AI कंपनियां) इसका उत्तर देने में संघर्ष कर रहे थे। वे यह तो समझा सकते थे कि उन्होंने बर्तन को कैसे चलाया (कंप्यूटर के भीतर जटिल गणित), लेकिन वे आसानी से यह नहीं समझा पाते थे कि उन्होंने विशिष्ट सामग्रियों को क्यों चुना या उनमें से प्रत्येक का कितना उपयोग किया।

यह पेपर स्मार्ट डेटा पोर्टफोलियो (SDP) का उपयोग करके पेंट्री को प्रबंधित करने का एक नया तरीका पेश करता है। यह यहाँ सरल उपमाओं (analogies) का उपयोग करके बताया गया है:

1. बड़ा विचार: डेटा को एक निवेश पोर्टफोलियो की तरह मानें

वित्त (finance) में, जब आप पैसा निवेश करते हैं, तो आप सारा कैश केवल एक जोखिम भरे स्टॉक में नहीं डालते। आप एक पोर्टफोलियो बनाते हैं: सुरक्षित बॉन्ड्स, ग्रोथ स्टॉक्स और शायद थोड़ा सा जोखिम भरा क्रिप्टो का मिश्रण। आप सर्वोत्तम रिटर्न प्राप्त करने के लिए और जोखिम को कम रखने के लिए उन्हें संतुलित करते हैं।

लेखक कहते हैं कि हमें AI ट्रेनिंग डेटा के साथ बिल्कुल वैसा ही व्यवहार करना चाहिए।

डेटा श्रेणियां (Data Categories) अलग-अलग प्रकार के स्टॉक्स की तरह हैं (जैसे, "बैंक रिकॉर्ड," "सोशल मीडिया पोस्ट," "हेल्थ लॉग्स")।
सूचनात्मक रिटर्न (Informational Return) यह है कि सूप कितना स्वादिष्ट बनता है (AI चीजों की कितनी अच्छी भविष्यवाणी करता है)।
गवर्नेंस रिस्क (Governance Risk) वह खतरा है जिससे सूप लोगों को बीमार कर सकता है (जैसे, कुछ समूहों के प्रति अनुचित होना, निजी रहस्य लीक करना, या कानून तोड़ना)।

2. "एफिशिएंट फ्रंटियर" (Efficient Frontier): एक आदर्श संतुलन

कल्पना कीजिए कि एक ग्राफ है जहाँ X-अक्ष जोखिम (Risk) है और Y-अक्ष स्वाद (Taste) है।

यदि आप केवल सस्ते, सुरक्षित डिब्बाबंद सामान का उपयोग करते हैं, तो सूप सुरक्षित लेकिन फीका होता है (कम जोखिम, कम स्वाद)।
यदि आप केवल दुर्लभ, महंगे, जोखिम भरे मसालों का उपयोग करते हैं, तो सूप अद्भुत हो सकता है लेकिन यह किसी को जहर भी दे सकता है (उच्च जोखिम, उच्च स्वाद)।
गवर्नेंस-एफिशिएंट फ्रंटियर वह "गोल्डिलॉक्स ज़ोन" (Goldilocks Zone) है। यह वह वक्र (curve) है जो दिखाता है कि आपके द्वारा लिए जाने वाले जोखिम के किसी भी स्तर के लिए सबसे स्वादिष्ट सूप संभव क्या है।

स्मार्ट डेटा पोर्टफोलियो का लक्ष्य उन सामग्रियों का सही मिश्रण खोजना है जो ठीक इसी रेखा पर स्थित हो।

3. नियामक के नियम: "रिस्क कैप" (Risk Cap)

पुराने दिनों में, नियामक शायद कहते, "आप सोशल मीडिया डेटा का उपयोग बिल्कुल नहीं कर सकते।" यह बहुत कठोर है और नवाचार को रोकता है।

SDPs के साथ, नियामक एक रिस्क कैप निर्धारित करते हैं।

नियम: "आप अपनी पसंद की कोई भी सामग्री उपयोग कर सकते हैं, जब तक कि आपके मिश्रण का कुल 'रिस्क स्कोर' इस रेखा से नीचे रहता है।"
वेट बैंड्स (Weight Bands): नियामक यह भी कह सकते हैं, "'जोखिम भरे मसालों' (जैसे लोकेशन डेटा) का 10% तक उपयोग किया जा सकता है, लेकिन आपको कम से कम 40% 'सुरक्षित सब्जियों' (जैसे पब्लिक नेटवर्क लॉग्स) का उपयोग करना होगा।"

यह शेफ (AI कंपनी) को प्रयोग करने और सबसे अच्छा नुस्खा खोजने की स्वतंत्रता देता है, जब तक कि वे सुरक्षा सीमाओं के भीतर रहते हैं।

4. तीन नए रिपोर्ट कार्ड

यह सुनिश्चित करने के लिए कि हर कोई नियमों का पालन कर रहा है, यह पेपर भ्रमित करने वाली तकनीकी नियमावलियों के स्थान पर तीन नए प्रकार के रिपोर्ट का सुझाव देता है:

डेटा पोर्टफोलियो स्टेटमेंट (मेन्यू): एक सार्वजनिक सारांश जो दिखाता है कि किस प्रकार की सामग्रियों की अनुमति है और उन्हें मिलाने के सामान्य नियम क्या हैं।
डेटा पोर्टफोल जाओ कार्ड (रसीद): निरीक्षकों के लिए एक विस्तृत फाइलिंग। यह उपयोग की गई सामग्रियों के सटीक प्रतिशत को सूचीबद्ध करता है (जैसे, "40% बिलिंग इतिहास, 10% लोकेशन डेटा") और यह सिद्ध करता है कि अंतिम "रिस्क स्कोर" पर्याप्त रूप से कम है।
कंज्यूमर पोर्टफोलियो रिपोर्ट (स्पष्टीकरण): यदि कोई AI आपको ऋण या सेवा देने से मना कर देता है, तो कंपनी यह कहने के बजाय कि "एल्गोरिदम ने निर्णय लिया," यह कह सकती है कि "हमने डेटा का एक ऐसा मिश्रण उपयोग किया जो निष्पक्षता के लिए स्वीकृत था। यहाँ उन सामग्रियों का विवरण दिया गया है जिनका हमने निर्णय लेने के लिए उपयोग किया।"

5. एक वास्तविक दुनिया का उदाहरण: टेलीकॉम कंपनी

यह पेपर एक फोन कंपनी का उपयोग करके दिखाता है कि यह कैसे काम करता है। एक फोन कंपनी तीन अलग-अलग चीजों के लिए AI का उपयोग करती है, और प्रत्येक को एक अलग "नुस्खे" की आवश्यकता होती है:

परिदृश्य A: फोन लोन देना (उच्च जोखिम)।
- लक्ष्य: बहुत निष्पक्ष होना और गोपनीयता की रक्षा करना।
- मिश्रण: ज्यादातर सुरक्षित डेटा (भुगतान इतिहास, डिवाइस प्रकार)। बहुत कम "जोखिम भरा" डेटा (जैसे आपका सटीक स्थान या आप कौन से ऐप्स उपयोग करते हैं)।
- परिणाम: एक सुरक्षित, साधारण, लेकिन कानूनी रूप से अनुपालन करने वाला सूप।
परिदृश्य B: फिल्में सुझाना (मध्यम जोखिम)।
- लक्ष्य: दिलचस्प होना लेकिन डरावना (creepy) नहीं।
- मिश्रण: अच्छी सिफारिशें करने के लिए थोड़ा अधिक "जोखिम भरा" डेटा (आपने पहले क्या देखा है), लेकिन गोपनीयता में घुसपैठ न करने के लिए सीमित।
- परिणाम: एक अधिक स्वादिष्ट सूप, लेकिन फिर भी सुरक्षित।
परिदृश्य C: नेटवर्क आउटेज को ठीक करना (कम जोखिम)।
- लक्ष्य: बस इंटरनेट को तेज़ चलाना।
- मिश्रण: मुख्य रूप से तकनीकी डेटा (सिग्नल स्ट्रेंथ, सर्वर लॉग्स)। किसी व्यक्तिगत डेटा की आवश्यकता नहीं है।
- परिणाम: लगभग शून्य जोखिम वाला एक बहुत ही कुशल सूप।

यह क्यों महत्वपूर्ण है

वर्तमान में, AI कंपनियां उन शेफ की तरह हैं जो बस सब कुछ बर्तन में डाल देते हैं और उम्मीद करते हैं कि सब ठीक रहेगा, और फिर बाद में जादू समझाने की कोशिश करते हैं। यह पेपर कहता है: "अनुमान लगाना बंद करें। अपनी सामग्री को मापें। एक संतुलित पोर्टफोलियो बनाएं। और हमें रसीद दिखाएं।"

यह AI डेटा की अव्यवस्थित, अदृश्य दुनिया को एक स्पष्ट, प्रबंधनीय और ऑडिट योग्य प्रणाली में बदल देता है, ठीक वैसे ही जैसे हम आज अपने पैसे या अपने खाद्य सुरक्षा का प्रबंधन करते हैं। यह कंपनियों को नवाचार करने की अनुमति देता है जबकि नियामकों को खुश और जनता को सुरक्षित रखता है।

यहाँ ए. तल्हा यल्टा और ए. यासेमिन यल्टा के शोध पत्र "स्मार्ट डेटा पोर्टफोलियो: AI प्रशिक्षण डेटा के लिए एक गवर्नेंस फ्रेमवर्क" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान AI नियामक ढांचे (जैसे, EU AI Act, NIST AI RMF) तेजी से संस्थानों को यह न्यायसंगत बनाने के लिए अनिवार्य कर रहे हैं कि स्वचालित निर्णय लेने में उपयोग किए गए प्रशिक्षण डेटा की गुणवत्ता, प्रतिनिधित्व और उत्पत्ति (provenance) कैसी है। हालाँकि, नियामक अपेक्षाओं और वर्तमान तकनीकी प्रथाओं के बीच एक महत्वपूर्ण अंतर मौजूद है:

परिचालन विधियों का अभाव: मौजूदा गवर्नेंस व्यवस्थाओं के पास विषम (heterogeneous) डेटा स्रोतों को चुनने, भारित (weighting) करने या संयोजित करने के लिए कोई व्यवस्थित विधि नहीं है।
गलत संरेखित व्याख्यात्मकता (Misaligned Explainability): वर्तमान व्याख्यात्मकता उपकरण (जैसे, SHAP, LIME) आंतरिक मॉडल तंत्र या फीचर एट्रिब्यूशन पर ध्यान केंद्रित करते हैं। वे मौलिक नियामक प्रश्न का उत्तर देने में विफल रहते हैं: कौन सा डेटा उपयोग किया गया था, किस प्राथमिकता में, और किसके शासन (governance) के तहत?
डेटा-केंद्रित विफलताएं: अनुभवजन्य साक्ष्य बताते हैं कि एल्गोरिद्मिक विफलताएं (पूर्वाग्रह, गोपनीयता उल्लंघन, मजबूती की कमी) अक्सर मॉडल आर्किटेक्चर के बजाय प्रशिक्षण डेटा की संरचना और शासन से उत्पन्न होती हैं।
अंतराल (The Gap): संस्थानों के पास उच्च-स्तरीय गवर्नेंस सिद्धांतों (निष्पक्षता, गोपनीयता, मजबूती) को परिचालन संबंधी डेटा-चयन निर्णयों में अनुवादित करने के लिए एक संरचित, मात्रात्मक ढांचा नहीं है।

2. कार्यप्रणाली: स्मार्ट डेटा पोर्टफोलियो (SDP) फ्रेमवर्क

लेखक स्मार्ट डेटा पोर्टफोलियो (SDP) फ्रेमवर्क प्रस्तावित करते हैं, जो वित्त के क्षेत्र से मॉडर्न पोर्टफोलियो थ्योरी (MPT) को AI प्रशिक्षण डेटा के डोमेन में अनुकूलित करता है। इसका मूल आधार यह है कि डेटा श्रेणियों को "उत्पादक लेकिन जोखिम उठाने वाली सूचना संपत्तियों" के रूप में माना जाए।

मुख्य अवधारणाएं

डेटा श्रेणियाँ (Data Categories): इनपुट के मानकीकृत वर्ग (जैसे, "बिलिंग रिकॉर्ड", "लोकेशन ट्रेसेस") जिन्हें कच्चे रिकॉर्ड के बजाय एकल संस्थाओं के रूप में शासित किया जाता है।
पोर्टफोलियो वेट्स ( $w$ ): एक वेक्टर जो प्रत्येक डेटा श्रेणी को आवंटित प्रशिक्षण संसाधनों (सैंपलिंग शेयर, टोकन अनुपात, या कंप्यूट बजट) का प्रतिनिधित्व करता है।
सूचनात्मक प्रतिफल ( $\mu_p$ - Informational Return): एक विशिष्ट डेटा मिश्रण पर प्रशिक्षित मॉडल का अनुभवजन्य रूप से सत्यापित प्रदर्शन। यह कार्य-विशिष्ट है (जैसे, AUC, RMSE) और संस्थान के मॉडलिंग पाइपलाइन पर निर्भर करता है।
गवर्नेंस-समायोजित जोखिम ( $\sigma_p$ - Governance-Adjusted Risk): एक डेटा पोर्टफोलियो से जुड़े नियामक और संस्थागत बोझ का एक मिश्रित माप। इसे तीन घटकों के रैखिक संयोजन के रूप में परिभाषित किया गया है:
1. निष्पक्षता प्रसार (Fairness Dispersion - $F$ ): उपसमूहों के बीच मॉडल प्रदर्शन में भिन्नता।
2. उत्पत्ति/गुणवत्ता दोष स्कोर (Provenance/Quality Defect Score - $P$ ): दस्तावेज़ीकरण, सहमति, लाइसेंसिंग और पुन: पहचान जोखिम से संबंधित मुद्दे।
3. मजबूती अस्थिरता (Robustness Volatility - $R$ ): वितरण बदलाव (जैसे, टेम्पोरल ड्रिफ्ट) के तहत अस्थिरता।
- सूत्र: $\sigma_p(w) = \alpha F(w) + \beta P(w) + \gamma R(w)$ , जहाँ $\alpha, \beta, \gamma$ नियामक भार (weights) हैं।

गवर्नेंस-एफिशिएंट फ्रंटियर (The Governance-Efficient Frontier)

फ्रेमवर्क $(\sigma_p, \mu_p)$ प्लेन में एक गवर्नेंस-एफिशिएंट फ्रंटियर का निर्माण करता है।

यह फ्रंटियर उन डेटा पोर्टफोलियो के सेट का प्रतिनिधित्व करता है जो दिए गए गवर्नेंस-समायोजित जोखिम के स्तर के लिए अधिकतम संभव सूचनात्मक प्रतिफल (Informational Return) प्रदान करते हैं।
अनुकूलन (Optimization): संस्थान इस फ्रंटियर पर वह "गवर्नेंस-इष्टतम पोर्टफोलियो" खोजते हैं जो नियामकों द्वारा निर्धारित पॉलिसी रिस्क कैप ( $\bar{\sigma}$ ) का पालन करते हुए प्रदर्शन को अधिकतम करता है।
नियामक उपकरण (Regulatory Instruments): नियामक निम्नलिखित के माध्यम से व्यवहार्य क्षेत्र (feasible region) को आकार देते हैं:
- स्वीकार्य डेटा श्रेणियाँ (Admissible Data Categories): कुछ डेटा प्रकारों का सख्त बहिष्करण।
- गवर्नेंस वेट बैंड्स (Governance Weight Bands): विशिष्ट श्रेणियों या समूहों के लिए आवंटन भार पर ऊपरी और निचली सीमाएँ ( $L_i \leq w_i \leq U_i$ )।

एट्रिब्यूशन और व्याख्यात्मकता (Attribution and Interpretability)

यह समझाने के लिए कि एक पोर्टफोलियो क्यों चुना गया, फ्रेमवर्क सहकारी गेम थ्योरी से शापली वैल्यूज (Shapley Values) का उपयोग करता है। यह मॉडल-विशिष्ट ह्यूरिस्टिक्स पर निर्भर रहने के बजाय विशिष्ट डेटा श्रेणियों को प्रदर्शन योगदान का श्रेय देने की अनुमति देता है, जिससे एक पारदर्शी औचित्य परत प्रदान होती है।

3. प्रमुख योगदान

इनपुट-स्तर की व्याख्या परत (Input-Level Explanation Layer): यह व्याख्यात्मकता के केंद्र को अपारदर्शी मॉडल आंतरिकों से हटाकर शासित इनपुट पोर्टफोलियो पर स्थानांतरित करता है, जिससे संस्थानों को स्वीकृत डेटा आवंटन के आधार पर निर्णयों को न्यायसंगत बनाने की अनुमति मिलती है।
मात्रात्मक औपचारिकता (Quantitative Formalization): सूचनात्मक प्रतिफल और गवर्नेंस-समायोजित जोखिम को परिभाषित करके और गवर्नेंस-एफिशिएंट फ्रंटियर को व्युत्पन्न करके इनपुट गवर्नेंस के लिए एक गणितीय आधार स्थापित करता है।
नियामक वास्तुकला (Regulatory Architecture): एक व्यावहारिक कार्यान्वयन स्टैक प्रस्तावित करता है जिसमें शामिल हैं:
- डेटा पोर्टफोलियो स्टेटमेंट (DPS): नियमों और वेट बैंड्स का सार्वजनिक सारांश।
- डेटा पोर्टफोलियो कार्ड (DPC): मान्य मेट्रिक्स और वंश (lineage) के साथ नियामक फाइलिंग।
- कंज्यूमर पोर्टफोलियो रिपोर्ट (CPR): स्वीकृत पोर्टफोलियो के आधार पर निर्णयों की उपभोक्ता-केंद्रित व्याख्या।
मॉडल-अज्ञेयवादी दृष्टिकोण (Model-Agnostic Approach): फ्रेमवर्क डेटा आवंटन स्तर पर कार्य करता है, जिससे यह किसी भी मॉडल आर्किटेक्चर, प्रशिक्षण प्रक्रिया या अनुकूलन विधि के अनुकूल बनता है।

4. परिणाम और चित्रण

पेपर दूरसंचार (Telecommunications) उद्योग में एक क्षेत्रीय चित्रण के माध्यम से फ्रेमवर्क को मान्य करता है, जो यह प्रदर्शित करता है कि कैसे एक एकल गवर्नेंस संरचना विभिन्न उपयोग के मामलों के लिए अलग-अलग पोर्टफोलियो का समर्थन करती है:

उच्च-जोखिम वाला उपयोग मामला (डिवाइस फाइनेंस/क्रेडिट स्कोरिंग):
- बाधाएं: सख्त निष्पक्षता और गोपनीयता कैप; व्यवहार संबंधी डेटा (behavioral data) अत्यधिक प्रतिबंधित।
- परिणाम: इष्टतम पोर्टफोलियो कम-जोखिम, उच्च-निष्ठा वाले डेटा (बिलिंग इतिहास, टैरिफ) पर निर्भर करता है और व्यवहार संबंधी टेलीमेट्री को न्यूनतम करता है, भले ही व्यवहार संबंधी डेटा अधिक कच्चा भविष्य कहनेवाला शक्ति (predictive power) प्रदान करता हो।
मध्यम-जोखिम वाला उपयोग मामला (वैयक्तिकरण/सिफारिशें):
- बाधाएं: मध्यम गोपनीयता कैप; व्यवहार संबंधी ट्रेसेस पर वेट बैंड्स।
- परिणाम: एक संतुलित पोर्टफोलियो जो मोटे उपयोग समुच्चय (usage aggregates) और सर्वेक्षण डेटा का उपयोग करता है, जिसमें गोपनीयता जोखिम को प्रबंधित करने के लिए व्यवहार संबंधी डेटा को सीमित किया गया है।
कम-जोखिम वाला उपयोग मामला (नेटवर्क QoS भविष्यवाणी):
- बाधाएं: मजबूती और उत्पत्ति पर ध्यान; न्यूनतम निष्पक्षता बाधाएं।
- परिणाम: पोर्टफोलियो अनियंत्रित एफिशिएंट फ्रंटियर के करीब पहुंच जाता है, इंजीनियरिंग लॉग और KPIs को प्राथमिकता देता है।

मुख्य निष्कर्ष: फ्रेमवर्क सफलतापूर्वक प्रदर्शित करता है कि विभिन्न AI सेवाओं के लिए एक साझा नियामक संरचना के भीतर अलग-अलग डेटा मिश्रणों की आवश्यकता होती है, और गवर्नेंस बाधाएं उच्च-जोखिम वाले डेटा संयोजनों को बाहर करके प्राप्त करने योग्य प्रदर्शन फ्रंटियर को प्रभावी ढंग से नया आकार देती हैं।

5. महत्व और निहितार्थ

नियमों को क्रियान्वित करना (Operationalizing Regulation): SDP फ्रेमवर्क मानक नियामक लक्ष्यों (जैसे, "निष्पक्षता सुनिश्चित करें") और परिचालन संबंधी डेटा इंजीनियरिंग के बीच के अंतर को पाटता है, जिससे अनुपालन के लिए एक ठोस तंत्र प्राप्त होता है।
पर्यवेक्षी समानता (Supervisory Analogy): वित्तीय विनियमन (जोखिम लिफाफे, स्ट्रेस टेस्टिंग, एकाग्रता सीमा) से पर्यवेक्षी तर्क को उधार लेकर, यह AI निरीक्षण के लिए एक परिचित, स्केलेबल मॉडल प्रदान करता है।
गतिशील गवर्नेंस (Dynamic Governance): फ्रेमवर्क एक पुनरावृत्त पर्यवेक्षी चक्र का समर्थन करता है जहाँ अवधारणा ड्रिफ्ट (concept drift), नए डेटा स्रोतों, या नियामक अपडेट के जवाब में पोर्टफोलियो को पुनर्संतुलित किया जा सकता है।
स्केलेबिलिटी (Scalability): यह संस्थानों को अपने मौजूदा ML पाइपलाइनों के पूर्ण ओवरहाल के बिना, जटिल, विषम डेटा पारिस्थित प्रणालियों को प्रबंधित करने में सक्षम बनाता है, बशर्ते वे डेटा स्रोतों को शासित श्रेणियों में मैप कर सकें।

निष्कर्षतः, पेपर यह तर्क देता है कि प्रशिक्षण डेटा को एक शासित पोर्टफोलियो के रूप में मानना जिम्मेदार AI तैनाती के लिए आवश्यक है। यह प्रदर्शन और नियामक जोखिम के बीच संतुलन बनाने के लिए पहला मात्रात्मक, मॉडल-अज्ञेयवादी फ्रेमवर्क प्रदान करता है, जो डेटा गवर्नेंस को एक गुणात्मक चेकलिस्ट से एक कठोर, ऑडिट योग्य अनुकूलन समस्या में बदल देता है।