本，以判断你尝试运行的示例是否出错。Ferris 也将帮助你区分那些不是意在工作的代码： Ferris 含义 这段代码无法通过编译！ 9/562Rust 程序设计语言 简体中文版 这段代码会 Panic！ 这段代码的运行结果不符合预期。 在大部分情况，我们会指导你将无法通过编译的代码修改为正确版本。 源代码 生成本书的源码可以在 GitHub 上找到。 译者注：此译本也有 GitHub 仓库，欢迎提交 Issue 是什么，以及这些命令分别的作用。） $ cargo new get-dependencies $ cd get-dependencies $ cargo add rand@0.8.5 trpl@0.2.0 这会将这些包的下载结果缓存起来，因此你之后就不需要再下载它们了。运行完该命令后，你 无需保留 get-dependencies 文件夹。一旦你运行了这些命令，就可以在本书之后所有的 cargo 命令中，使用 --offline 可以使用 cargo build 构建项目。 • 可以使用 cargo run 一步构建并运行项目。 • 可以使用 cargo check 在不生成二进制文件的情况下构建项目来检查错误。 • 有别于将构建结果放在与源码相同的目录，Cargo 会将其放到 target/debug 目录。 使用 Cargo 的一个额外的优点是，不论你使用什么操作系统，其命令都是一样的。所以从现 在开始本书将不再分别为 Linux

（a）可解释性差的风险。以深度学习为代表的人工智能算法内部运行逻 辑复杂，推理过程属黑灰盒模式，可能导致输出结果难以预测和确切归因，如 有异常难以快速修正和溯源追责。 （b）偏见、歧视风险。算法设计及训练过程中，个人偏见被有意、无意引入， 或者因训练数据集质量问题，导致算法设计目的、输出结果存在偏见或歧视， 甚至输出存在民族、宗教、国别、地域等歧视性内容。 （c）鲁棒性弱风险。由于深度神经网络存在非线性、大规模等特点，人 构造、- 8 - 人工智能安全治理框架 推理逻辑、技术接口、输出结果提供明确说明，正确反映人工智能系统产生结 果的过程。 （b）在设计、研发、部署、维护过程中建立并实施安全开发规范，尽可 能消除模型算法存在的安全缺陷、歧视性倾向，提高鲁棒性。 4.1.2 数据安全风险应对 （a） 在训练数据和用户交互数据的收集、存储、使用、加工、传输、提 供、公开、删除等各环节，应遵循数据收集使用、个人信息处理的安全规则， 、个人信息处理的安全规则， 严格落实关于用户控制权、知情权、选择权等法律法规明确的合法权益。 （b） 加强知识产权保护，在训练数据选择、结果输出等环节防止侵犯知 识产权。 （c） 对训练数据进行严格筛选，确保不包含核生化导武器等高危领域敏 感数据。 （d） 训练数据中如包含敏感个人信息和重要数据，应加强数据安全管理， 符合数据安全和个人信息保护相关标准规范。 （e） 使用真实、准确