人工智能与机器学习声明
AI 在 Phrase 的服务中起着关键的作用。我们致力于利用尖端的 AI 技术，确保交付创新、高效和个性化的解决方案，以满足客户的需求。Phrase 将 AI 集成到服务中，为客户提供增值、改善的体验和变革性的结果，让客户在快速发展的数字世界中保持领先。
本人工智能与机器学习声明（以下简称“声明”）旨在阐明 Phrase 在使用人工智能相关解决方案以及利用内容训练 AI 模型过程中所秉持的原则与承诺，重点强调透明度、安全性与符合伦理的 AI 实践。我们的使命是交付无缝集成、洞察深入、大有裨益的技术解决方案，从而提升客户的体验。
我们认识到，信任是我们与客户关系的基础，我们致力于让客户充分了解自己的内容是如何被使用的。我们的方法强调伦理实践、强大的数据安全性和遵守适用法规，确保我们 AI 赋能解决方案不仅强大和高效，而且尊重客户内容的隐私和机密性。
本声明旨在确保 Phrase 遵守《欧盟人工智能法案》（AI 法案）中规定的透明度义务。尽管 AI 法案于 2026 年 8 月 2 日才全面生效，但 Phrase 一直致力于以安全、合乎伦理的方式创建和使用其 AI 系统，因此与 AI 法案和其他适用的法律法规保持一致。
1.定义
“AI 法案”指《欧洲议会与理事会条例 (EU) 2024/1689》（2024 年 6 月 13 日通过），该条例旨在制定人工智能的统一规则，并修订《(EC) 300/2008 号条例》《(EU) 167/2013 号条例》《(EU) 168/2013 号条例》《(EU) 2018/858 号条例》《(EU) 2018/1139 号条例》和《(EU) 2019/2144 号条例》，以及《2014/90/EU 号指令》《(EU) 2016/797 号指令》和《(EU) 2020/1828 号指令》（《人工智能法案》）。
根据 AI 法案，“AI 系统”指的是一种基于机器的系统，设计为可在不同自主程度下运行，且在部署后可能表现出自适应能力；该系统为达成显性或隐性目标，能够从接收的输入中推断生成输出（如预测、内容、推荐或决策），这些输出可能对实体或虚拟环境产生影响。
“客户内容”是指 Phrase 的客户或其用户在 Phrase 解决方案中上传、创建或翻译的任何内容（包括译文）。
“GDPR”指 2016 年 4 月 27 日欧洲议会和理事会关于保护自然人在处理个人数据方面的权利和此类数据自由流动的 (EU) 2016/679 号条例，并废除第 95/46/EC 号指令（通用数据保护条例）。
“QPS”指质量评估分数。
“LQA”指语言质量评估。
“MQM”指多维质量指标。
“MT”指机器翻译。
“OpenAI”指 OpenAI, LLC。
2.简介
Phrase Localization Platform 代表了一个符合 AI 法案的 AI 系统，而 Phrase 作为其提供者，负责保证 Phrase Localization Platform 符合 AI 法案。
Phrase Localization Platform 内使用的所有 AI 解决方案均不涉及 AI 法案禁止的任何行为，例如操纵用户、进行社会评分或利用用户的漏洞。此外，Phrase Localization Platform 内使用的任何 AI 赋能解决方案都不应被归类为 AI 法案下的高风险 AI 系统，因为 Phrase 的任何 AI 赋能解决方案都不用于关键基础设施管理、生物识别或其他需要根据 AI 法案进行特殊监督的高风险应用。
多年来，客户的内容在改善翻译模型方面至关重要，这早在 AI 驱动的解决方案成为常态之前。历史上，包括统计和基于规则的机器翻译模型在内的翻译引擎，一直依赖客户翻译记忆库 (TM) 和语言资产来提高翻译的准确性、流畅性和整体质量。这种长期以来的做法对翻译技术的发展和持续改进至关重要。
3.Phrase 的 AI 赋能解决方案
我们详细介绍构成 Phrase Localization Platform 不可或缺部分的各个 AI 功能。根据我们对透明度的承诺，我们旨在提供关于这些功能如何运作、训练我们的 AI 模型所涉及的过程以及在这些过程中如何使用客户内容的清晰和全面的信息。
3.1 Phrase 是否提供使用人工智能或机器学习的服务或技术解决方案？
我们提供 AI 赋能解决方案，其中让客户能够完全控制是否激活这些解决方案，无论是应用于所有项目还是针对特定项目进行选择性应用。
Phrase 专门的 AI 研究团队与开发团队密切合作，体现了对不断提升 AI 和机器学习 (ML) 能力的坚定承诺。以下概述的关键解决方案代表了现有的功能或正在积极开发中的功能。
我们欢迎有机会进行后续讨论，以深入了解您的具体使用场景和您可能有的任何疑虑。您的反馈对我们改进解决方案和优先考虑未来版本的发布至关重要。
3.2 AI/ML 解决方案的目的是什么，客户将如何使用 AI/ML 解决方案？（例如，AI/ML 解决方案会驱动哪些决策或行动？）
我们列出了 Phrase 的各个 AI 赋能解决方案。一般来说，我们的目标是提供优化本地化过程的解决方案，以便规模化地促进内容全球化。我们的目标是提供完全和部分自动化的解决方案，从而推动商业优化，同时也提供可以改善我们平台可用性和用户体验的工具。其中包括自动化翻译，以及诸如 Phrase QPS 等机制，帮助发现最低质量的内容并将其引导至人工审校环节。
以下摘要列出我们的 AI 赋能功能，详细说明见下文：
(a) 文本生成 AI：下表详细说明了生成或输出文本内容或译文的 AI 功能：
| 功能名称 | 功能摘要 | 是否使用客户内容进行训练？ |
| Auto Adapt | 自动化译后编辑和文本适应 | 否 |
| AI Actions | Strings 编辑器平台中的一部分自动化编辑操作 | 否 |
| Phrase NextMT | 机器翻译；通过 Phrase 的 MT 引擎自动化翻译内容 | 否 |
| Phrase Next GenMT | 机器翻译；通过 Phrase 专有模型与 OpenAI 的交互自动化翻译内容 | 否 |
| Phrase CustomAI (Custom NextMT) | 训练和评估客户特定的个性化 MT 引擎 | 是 |
| Phrase CustomAI（语言资产管理） | 使用自动化工具管理语言资产和数据集用于自定义 MT 训练 | 是（使用 QPS） |
(b) 其他 AI 功能：下表详细说明了不生成客户内容或文本的 AI 功能
| 功能名称 | 功能摘要 | 是否使用客户内容进行训练？ |
| MT 自动选择 | 自动选择最适合工作的 MT 引擎 | 是 |
| Phrase QPS | 自动为译文的准确性打分 (0-100) | 是 |
| 自动 LQA | 提供 LQA（语言质量评估）的完全或部分自动化；评估翻译质量 | 是 |
| 非译元素 | 非译元素的自动检测 | 是 |
| 自动选择译员 | 基于以前类似工作经验的自动译员推荐。 | 是 |
A.Phrase Language AI，MT 自动选择
Phrase 的 MT 自动选择是一个基于 AI 的机制，用于选择最适合特定工作的 MT 引擎。客户可以在有或没有定义首选引擎列表的情况下使用 MT 自动选择，以获得最佳的输出翻译质量并最小化译后编辑成本。
此功能的目的是什么？我们希望让客户可以访问一系列 MT 引擎，并在各引擎之间动态切换，其中一个引擎可能在客户内容上产生更高质量的输出。
例如：客户在其 MT 配置文件中设置了三个 MT 引擎，并希望确保得到质量最佳的引擎输出。系统查看客户的内容，审查三个 MT 引擎的最近译后编辑数据，并推荐这三个引擎之一作为最佳候选引擎用于翻译。
这一功能如何工作？我们扫描客户内容中的关键词，帮助 AI 识别内容的领域。我们还评估不同 MT 引擎在该领域的最近客户输出的质量。然后，系统根据数据确定哪个 MT 引擎能够实现最佳质量。
我们如何使用客户内容？AI 简要扫描客户内容以识别领域，同时定期查看其他客户内容，以评估所做的译后编辑量。这有助于确定每个 MT 引擎的表现。
我们如何保护客户内容？在此过程中，不会保留或共享任何客户内容。
B.QPS，质量表现分数
Phrase QPS 是一套质量估计体系，预测在 LQA 过程中可能给予特定内容的 MQM 分数。QPS 输出一个 0-100 之间的分数，规模化地提供质量透明度，帮助客户规划资源、译后编辑工作量和其他流程。
此功能的目的是什么？我们的目标是提供一个可扩展的解决方案，以广泛了解翻译质量。这在优先选择机器翻译且质量无法保证的情况下尤为重要。具体来说，客户可以在自动化工作流中使用此功能，以决定内容的去向，确保捕获最低质量的内容并将其发送进行译后编辑或其他适当的工作流步骤。
例如：某个客户在译后编辑上预算有限，并依赖机器翻译处理其大部分内容。使用 Phrase QPS，客户可以自动识别得分最低的内容，并将其发送至人工译后编辑。
这一功能如何工作？Phrase QPS 背后的 AI 是一个内部专有模型，经过公开可用数据集和客户内容的训练。具体来说，我们用先前在 Phrase Platform 上生成的 LQA 评估样本以及在 Phrase Platform 上生成的 MT 后编辑样本进行训练。这些内容包括原始内容、生成的译文和该译文的 LQA 评估。我们向 AI 展示多个译文样本及其产生的 MQM 分数，以便 AI 学习预测新内容的 QPS。当在实践中使用训练好的 AI 时，我们为其提供原文和译文内容，系统输出一个 0-100 之间的分数。
我们如何使用客户内容？我们使用客户的内容进行 AI 训练和定期重新训练，并估计译文可能在人工 LQA 审校中获得的多维质量指标 (MQM) 分数。客户的内容通过模型，以便为该内容生成分数。
我们如何保护客户内容？虽然模型是用客户的内容进行训练的，但其唯一功能是输出 0-100 之间的分数；任何人都无法从模型中检索客户的内容。用于训练 QPS 的客户内容也不会被保留；我们在 Phrase AI 研究团队中实施定期删除训练数据，以确保遵守 GDPR 以及我们的隐私声明和数据保留政策。
C.自动 LQA
自动 LQA 允许客户通过自动化语言质量评估深入了解质量问题。这可以独立于人工审校使用，或通过验证模式与人工 LQA 结合使用。该系统提供与 MQM 一致的 LQA 输出，方式类似于人工过程。
此功能的目的是什么？QPS 提供的质量得分是估计的 MQM，而自动 LQA 的目的是提供更详细的翻译质量问题信息。自动 LQA 旨在复制人工 LQA 过程，识别质量问题并为这些问题设置错误类别和严重性。自动 LQA 还提供对检测到的错误的简要解释。自动 LQA 可以作为提供更广泛质量反馈的手段，补充人工 LQA，或使用“验证模式”，向人工译员提供自动化注释进行确认和审校。通过这种方式，自动 LQA 旨在改善译员生活的质量，并优化和扩展 LQA 过程。
例如：QPS 识别出存在质量问题的内容子集，客户可以使用自动化 LQA 规模化预填 LQA 注释，供人工译员审校，译员可以确认或更正检测到的错误。客户可以查看关于发现的质量问题的报告，并采取措施修正受影响的译文。
这一功能如何工作？该系统目前使用 OpenAI 的 ChatGPT 来评估译文。最新的生产模型是一个 ChatGPT 实例，专门使用客户内容针对这一工作进行了微调。
我们如何使用客户内容？客户的内容和机器翻译引擎的译文输出通过 OpenAI 的 Auto LQA 处理。系统的输出是符合 MQM 的评估，包括错误类别和严重性，以及系统的解释性备注。
此外，我们使用来自之前人工 LQA 评估的客户内容，包括客户的原文和译文，以微调一个 ChatGPT 实例，专门用于评估任务，旨在提高输出的准确性和实用性。
我们如何保护客户内容？我们与 OpenAI 签订了企业级协议，确保客户内容不会存储在 OpenAI 或用于训练 OpenAI 自身的模型和产品。Phrase 不会保留用于微调 Auto LQA 背后的 ChatGPT 实例的客户内容；与我们对用于训练 QPS 的内容的处理类似，我们在 AI 研究团队中定期删除训练数据。
D.Auto Adapt
Auto Adapt 是一套自动化译后编辑和内容适应解决方案，能够调整文本以确保术语、正式程度和语气一致性等方面的要求。客户可以提供额外的指示，以便对文本进行风格等自定义调整。
此功能的目的是什么？Auto Adapt 旨在提供一种自动化的译后编辑替代方案，更好地确保一致的风格和正式程度，并调整为客户指定的风格。
例如：客户已经使用神经网络、句段级 MT 系统翻译了内容。结果在风格和语气上存在一些不一致以及一些语言错误。客户通过 AutoAdapt 处理内容，以自动消除不一致并提高文本的整体质量。
这一功能如何工作？该系统目前使用多个 OpenAI 模型调整译文，使用内部管理的模型交互和客户提供的配置。
我们如何使用客户内容？客户的内容（无论是单语文本还是待翻译文本和译文输出）通过 OpenAI 的 Auto Adapt 传递。系统的输出是原始文本的修订版本。Auto Adapt 未针对客户内容进行微调或训练。
我们如何保护客户内容？我们与 OpenAI 签订了企业级协议，确保客户内容不会存储在 OpenAI 或用于训练 OpenAI 自身的模型和产品。
E.AI Actions
AI Actions 是 Phrase Stings 编辑器中的一组功能，能够自动化调整文本以进行优化，或调整输出的语气。
此功能的目的是什么？AI Actions 允许在 Phrase Platform 上工作的编辑自动优化译文输出或调整此类输出的语气。具体而言，这些功能允许编辑自动改写文本，改善语法，缩短或调整文本的语气，以体现商业、学术、休闲或技术风格。
例如：一名编辑正在针对只能包含特定长度文本的 UI 元素修改一份译文。编辑可以使用“缩写”功能来减少输出的长度以适应要求。
这一功能如何工作？系统目前使用 OpenAI 的 ChatGPT 模型来修改和调整文本以满足要求。每个操作背后都有一个提示，发送给 OpenAI，以生成适当的输出。这些提示是 Phrase 内部的，除 OpenAI 外，客户或其他第三方无法访问。
我们如何使用客户内容？AI Actions 仅依赖于发送给 ChatGPT 模型的内部提示，除了使用该功能发送给 OpenAI 的文本数据外，没有使用客户内容来微调 ChatGPT 模型。
我们如何保护客户内容？我们与 OpenAI 签订了企业级协议，确保客户内容不会存储在 OpenAI 或用于训练 OpenAI 自身的模型和产品。
F. 非译元素的识别
一个 AI 系统，负责识别包含不应翻译的元素（如公司/产品名称）的句段。
此功能的目的是什么？此功能旨在识别不需要翻译的内容，以便跳过这些内容，从而优化翻译工作流。这使得客户可以避免对机器译文进行修正性的译后编辑。
这一功能如何工作？该 AI 使用客户的内容进行训练，学习识别不应翻译的文本元素，然后输出该句段整体是否为非译元素的可能性（用 0-1 之间的数字表示）。
例如：某客户有一些内容，其中出现了产品名称；他们不希望将这些内容交给机器翻译，因为这可能导致对条目的不必要翻译，以及在恢复产品名称时产生的译后编辑成本。客户利用这个 AI 功能来捕捉非译元素，并阻止这些元素被机器翻译。
我们如何使用客户内容？在该 AI 功能的训练和定期再训练中使用了客户内容。该 AI 审查客户内容，并输出一个数字，表示内容包含非译元素的可能性，这个数字可以用来标记内容。该 AI 从不保留客户内容，该模型只能输出一个二元标签。
我们如何保护客户内容？尽管训练此 AI 模型使用了客户内容，但该系统无法保留或输出该内容。无法从模型中检索客户内容。与我们对用于QPS训练的内容的处理类似，我们在Phrase AI研究团队中实施定期删除训练数据。
G. Phrase NextMT，Phrase 的内部翻译引擎
Phrase NextMT 是一个机器翻译引擎，可以自动翻译多种语言的内容。该引擎的性质与其他第三方 MT 引擎相似，只是在翻译时使用客户内容来优化其输出的质量。该引擎在 Phrase 内部构建和维护。
此功能的目的是什么？客户可以向译员提供经过专业译员译后编辑优化的机器译文，从而提高本地化项目的质量和速度。也可以使用 Phrase NextMT 来自动快速翻译大量内容。
例如：当客户有大量的内容需要翻译，但预算有限时，可以使用 Phrase NextMT 来翻译所有内容，并将其交给人工译员进行译后编辑。
这一功能如何工作？Phrase NextMT 引擎专为专业翻译定制，包括支持标记放置、先进的术语表集成（包括形态变化）和翻译记忆库的适应（模糊匹配）。我们使用公开可用的数据为多种语言训练 Phrase NextMT 引擎。然后，我们使用客户的翻译记忆库来改善翻译，例如，为了更好地符合客户的内容风格或品牌形象。
我们如何使用客户内容？Phrase NextMT 使用公开可用和适当许可的数据集进行训练，并使用少量商业获取的专有数据集。我们在训练或重新训练此 AI 模型时不使用任何客户内容、内容或译文。
然而，客户可以在翻译过程中利用自己的翻译记忆库和其他语言资产来提高输出的质量。这些内容不会以任何方式保留，也不会用于 AI 模型的训练。
我们如何保护客户内容？除了在训练中排除客户内容外，翻译过程中使用的客户资产（翻译记忆库、术语表等）仅由客户自行访问。该 AI 模型不会保留任何客户内容，其他客户也无法访问客户内容。
H.Phrase Next GenMT，Phrase 的基于 LLM 的翻译引擎
Phrase Next GenMT 是基于 LLM 的，是比 Phrase NextMT 质量更高的替代品。该引擎基于并利用 OpenAI 的 ChatGPT 模型，以提供高质量、流畅的输出。
此功能的目的是什么？Phrase Next GenMT 是由 Phrase 开发的表现最佳的 MT 引擎；其目标是以尽可能高的质量提供自动化翻译。与 Phrase NextMT 类似，我们允许客户利用翻译记忆库和其他资产优化输出译文的质量。这可以作为独立的翻译解决方案使用，或与人工译后编辑结合使用，以获得高质量的结果。
例如：某客户有大量内容需要翻译，但预算有限且对质量有高期望；使用 Phrase Next GenMT 生成首次翻译，然后发送给人工译后编辑。客户提供对其翻译记忆库的访问，从而提高质量和风格一致性，并进一步改善翻译质量。
这一功能如何工作？Phrase Next GenMT 通过在 Phrase 内部开发的提示与 OpenAI 的 ChatGPT 模型进行交互。该引擎还可以选择性地向 ChatGPT 提供从客户翻译记忆库中检索的类似译文的“少量样本”。
我们如何使用客户内容？目前，我们仅依赖提示和少量样本检索的组合来实现高质量翻译。除此之外，我们在 Next GenMT 的训练或微调中不使用客户内容。待翻译的内容以及翻译记忆库中的任何适用样本被发送到 OpenAI，并返回翻译结果。
我们如何保护客户内容？我们在 Next GenMT 的训练或微调中不使用客户内容。当客户要求使用此功能时，我们将内容和样本发送给 OpenAI，以生成译文。我们与 OpenAI签订了企业级协议，OpenAI 不会保留客户内容或将客户内容用其自身模型或产品的训练或开发。
详细信息：Phrase NextMT 引擎专为专业翻译定制，包括支持标记放置、先进的术语表集成（包括形态变化）和翻译记忆库的适应（模糊匹配）。我们使用公开可用的数据训练当前版本的 Phrase NextMT，这是我们内部开发的机器翻译引擎。然后我们使用客户的翻译记忆库来改进译文，例如实现更好的风格匹配。在未来的 Phrase NextMT 版本中，我们计划为客户提供生成自定义 Phrase NextMT 引擎的能力。客户将能够使用一个自定义训练的“客户专用 Phrase NextMT 引擎”，其他客户无法访问。
数据使用：在当前通用 Phrase NextMT 翻译引擎的训练中，仅使用公开可用的数据。在翻译过程中，训练过的 Phrase NextMT 翻译引擎可以访问译文以及客户的翻译记忆库（用于相关的模糊匹配）和客户的 MT 术语表。
数据保护：客户的内容和自定义训练的引擎他人无法访问。
I.Phrase Custom AI，数据集创建和自定义引擎训练
客户有能力使用自己的翻译记忆库创建训练数据，并使用这些数据生成特定场景的自定义 Phrase NextMT 引擎。客户能够利用一个自定义训练的“仅限客户的Phrase NextMT引擎”，其他客户将无法访问。
此功能的目的是什么？在某些情况下，为特定使用场景训练一个个性化的 MT 引擎可能会有有益于客户。我们提供工具，以支持客户使用自己的内容创建数据集，并训练自己的个性化 Phrase NextMT 实例。我们还提供分析，以展示模型训练的成功和所得引擎的实用性。
例如：某个拥有翻译记忆的客户有一个特定的使用场景，通用 MT 无法提供令人满意的质量。客户可以使用自定义 AI 清理和筛选其翻译记忆库，使用这些内容创建数据集，并自动训练自己的 Phrase NextMT 实例，以满足其需求。
我们如何使用客户内容？在数据集创建和清理过程以及随后的 Phrase NextMT 引擎训练中，系统可以访问客户的翻译记忆库。训练完成后，访问生成的引擎和数据集的权限受到限制，仅相关客户可以访问和使用。在这些自定义 MT 引擎的训练中不使用其他客户内容。
我们如何保护客户内容？客户内容和自定义训练的引擎仅有该客户可访问。在自定义 NextMT 引擎的训练中不使用其他客户内容。
J.Phrase CustomAI；语言资产管理
Custom AI 中的自动化工具可用于筛选和清理客户翻译记忆和其他资产。
此功能的目的是什么？我们的语言资产管理工具旨在允许客户筛选和优化其语言资产，以便在本地化过程的其他领域使用，例如自定义 NextMT 模型训练或作为“少量样本”以提高 Phrase Next GenMT 的输出质量。
例如：某客户产生了一个巨大的翻译记忆库，并希望加以清理，以更好地保证其翻译工作流的有效性，其中包括跳过已翻译的相似内容，或优化 Phrase Next GenMT 的输出质量。客户使用该管理工具来移除重复和低质量的译文，从而得到一个精炼的翻译记忆库。
这一功能如何工作？我们的资产管理工具组合使用基本的、基于规则（非 AI）的筛选器、Phrase QPS（前文提供了 Phrase QPS 的详细信息）和其他工具。这里的 Phrase QPS 用于为翻译记忆库中的每个条目打分，并移除得分最低的条目（例如最差的 10%）。
我们如何使用客户内容？除了上面讨论的 Phrase QPS 外，我们的资产管理工具中没有使用其他 AI 功能。客户内容是按各客户隔离的，工具不会保留或共享客户内容。筛选的结果再次被隔离，并且只有相应的客户可以访问。
我们如何保护客户内容？资产管理和相关的基于 AI 的筛选结果只有相应客户可以访问。
K。自动化译员选择
我们的自动化译员选择功能可以为客户推荐具备类似文档工作经验的译员，以便客户将项目分配决策的一部分实现自动化。
此功能的目的是什么？这一基于 AI 的功能让客户可以优化译员分配并减少重复的项目管理决策，从而提高本地化项目的质量和速度。
例如：某客户有一个新的项目，需要翻译来自一个专业领域的内容。该 AI 会审查输入的内容并自动识别领域。该功能审查类似项目，并输出对具备类似领域项目经验的译员的分配推荐。
这一功能如何工作？该 AI 经过训练，可以根据内容类型分类文档，并在得到一段新内容时，识别新项目所属的一般内容类别。通过这种方式，该功能检索上一次在类似内容上工作的译员列表，并生成分配推荐。
我们如何使用客户内容？训练该 AI 时使用了客户内容，以使其能够对输入内容的领域进行分类。系统审查新的内容，并根据以往在相似领域的工作生成一个推荐的译员列表。
我们如何保护客户内容？尽管训练此 AI 模型使用了客户内容，但该模型并不能生成客户内容。无法从模型中检索任何客户内容。与我们对用于训练 Phrase QPS 的内容的处理类似，我们在Phrase AI研究团队中定期删除训练数据。
3.3 Phrase 是否会专门为客户自定义开发 AI/ML 模型，还是会提供通用的 AI/ML 模型？
我们同时提供这两种服务。客户可以使用 30 多个通用引擎和额外的自定义 MT 模型。自定义 MT 模型将根据特定客户的需求量身定制，使用客户内容。请参阅第 3.2 节中的 G 部分以获取更多详细信息。
通过客户自己的 API 秘钥集成的 MT 引擎
我们无法控制与您保持直接关系的第三方提供的 MT 引擎的自定义模型训练，这意味着您正在使用自己的 API 秘钥将 MT 引擎与 Phrase Localization Platform 集成。
4.AI 治理的一般原则
AI 治理包括指导 AI 赋能解决方案的伦理和负责任的发展、部署和管理的框架、政策和实践。Phrase 认识到对 AI 赋能解决方案的信任建立在透明度、问责制和尊重所有利益相关者的权利和合理期望的基础之上。
4.1 伦理考虑和隐私
在开发和部署 Phrase 的 AI 赋能解决方案时，我们遵循尊重个人权利、促进公平和保护客户内容保密性的原则。
Phrase 确保用于训练 AI 模型所需的数据量被最小化到实现增强 AI 赋能解决方案和交付高质量服务给客户所严格必要的程度。在这方面，Phrase 也严格限制训练数据的保留。在可能的情况下，Phrase 考虑使用匿名或伪匿名数据来训练其 AI 模型或使用聚合数据。Phrase 确保 AI 模型的输出是相关的，并且不泄露与训练数据相关的个人数据。
Phrase 确保用于训练 AI 模型的任何客户内容（如前文第 3 节中更详细描述）在可能包含任何个人数据的情况下，都按照 GDPR 和其他适用的数据保护法律进行处理。有关 Phrase 数据处理的更多详细信息，请参见我们的隐私声明。
4.2 人工监督与控制
Phrase 的专门 AI 研究团队负责定期对我们的 AI 赋能解决方案的输出进行质量保证检查。整个程序由法律团队监督，以确保符合适用的法律。这些检查确保输出符合准确性、公平性以及内部政策和适用法律法规的适当标准。
为了支持透明度和持续改进，用户和员工可以标记潜在问题，以便我们的 AI 研究团队进一步审查。标记之后，这些问题将经过结构化审查过程，以便我们的团队确定根本原因，解决任何不足，并实施必要的调整以改善系统的性能和可信度。
通过促进开放的反馈循环，我们旨在赋予所有利益相关者为我们的 AI 赋能解决方案的可靠性和伦理使用做出贡献的能力。
4.3 AI 素养
根据 AI 法案，在 Phrase，我们承诺确保所有参与 AI 系统开发、部署和监督的人员具备足够的 AI 概念、风险和最佳实践的理解。Phrase 的人员有义务参加涵盖基本 AI 概念和 AI 法案原则及其合规性的培训项目。这确保我们的团队具备实施和监督 AI 赋能解决方案所需的知识和技能。
随着 AI 法案和其他相关法规在未来的发展，我们承诺更新培训材料、政策和文档，以反映最新的标准。
结论
ase 认识到对 AI 法案的理解和解释将随着时间的推移而继续发展，因此保留必要时修订本声明的权利。
如果您对本声明有任何问题或请求，请联系我们，邮箱地址是privacy@phrase.com。
最后更新：2025 年 2 月 13 日