Department of Labor’s AI Best Practices – Key Takeaways for Employers

Recommendation: 从一份书面的人工智能风险评估和治理政策入手，该政策在任何影响员工使用该系统的部署之前生效。 将所有权分配给一个跨职能团队，成员来自 开发者, 、人力资源和合规性，并且需要一个动态的计划，其中明确地说明数据来源、模型 行为 决策、保留期限和持续监控触发器。.

公司成立： 构建偏见审计、隐私保护和符合PWFA规定的 妊娠相关的 将住宿融入到涉及的工具中 employees, ，使用一种实用的 guide 到实施；记录决策并每季度更新政策，以反映不断变化的考验。.

建立限制性数据治理 negative 成果，并确保合乎道德地获取训练数据；坚持在使用敏感属性时征得同意，并在可行的情况下为个人提供退出选项。.

Monitor emerging developments in the court 系统和相关 诉讼 活动；调整控制、沟通和物料变更，以保持团队与当前期望一致，而不会过度承诺结果。.

组织文化： 团结协作 开发者 和管理者了解广泛的风险态势；使用定期培训来 learn 从事件中，并审查北部发展情况以更新 guide; also 记录经验教训，以支持在符合道德规范的前提下改善结果。.

美国劳工部关于雇主人工智能指南

在将任何人工智能工具整合到招聘或绩效流程中之前，采用标准化的影响评估，并在人工智能影响决策时，征得申请人的同意。. 定义适当的使用案例，设定人工审核的条件，并要求提供解释为何选择自动化而非人工评估的文件。. 评估每个个案 并追踪误报率、差异性影响和决策时间等指标，以实现持续改进并保护申请人。在公平性受到威胁时，不要仅仅依赖分数，而要依赖人的判断。.

建立跨部门治理，通过区域和商会合作，监督人工智能资产的开发、测试和发布。明确责任归属，让一些团队负责数据完整性，而另一些团队负责公平、隐私和可访问性。建立一个标准模型卡，描述输入数据、局限性和预期结果。.

发布一个人为干预AI推荐的决策路径的示例；向申请人和员工提供易于理解的解释，并向他们说明结果。这种透明化胜过不透明化，因为它展示了特征如何映射到结果，从而减少负面认知。维护公开的决策和结果日志；某些条目可以匿名化以保护隐私，同时又能分析趋势。.

在权衡潜在危害与益处的基础上，采用基于风险的方法，平衡国际规范与地区特定条件。政策团队表示，同意仍然有效且可撤销。持续向申请人提供关于工具、数据使用或决策标准变更的通俗易懂的更新。.

实施清单：培训员工了解模型现状；核实申请人获得有意义的解释；监测负面影响；限制数据发布；保持持续的开发实践；维持与地区和商会的伙伴关系；记录经验教训，为政策更新提供依据。.

人工智能招聘和晋升中的偏见缓解：雇主的实用步骤

在每次招聘或晋升决策前，采用强制性的、有记录的偏见审计，并由一个路线图和一个监督性的、跨职能团队共同协作。.

• 数据处理和收集：将数据收集限制在与工作相关的属性；删除与怀孕相关的指标；将敏感属性存储在单独的、受访问控制的存储库中以进行审计。如果收到与偏见相关的投诉，则启动正式审查。.
• 代表性和抽样：确保数据集包含不同的背景；记录覆盖范围的缺口；每季度进行检查，以降低某些数据流中代表性不足的风险。.
• 决策标准：确定与工作绩效相关的客观指标；要求对每项招聘或晋升决定进行理由说明；维护日志以支持审计；确保有独立的审核人签字，并记录优先顺序。.
• 测试和审计：运行测试，比较各组之间的选择率；在可用时使用历史对照；设置阈值，例如差异性影响指数低于 0.80；每季度对输出进行审计。.
• 安全保障和保护：实施盲评筛选、结构化评分标准和并行人工审核；创建提示以减轻评估期间的偏差；限制对评分数据和模型特征的访问，以保持机密性。.
• 留任和晋升公平性：按群体监测留任和晋升结果；逐年实现更大的均等；在发现差距后 90 天内进行调查；并相应地调整人才晋升通道。.
• 伙伴关系与集体行动：与工会和工人委员会建立伙伴关系；共同展示调查结果；保持统一、透明的沟通渠道；在公平目标上保持一致。.
• 治理与维护：建立监督治理机制，进行季度审查；根据影响确定行动项的优先级；维护一份动态路线图；定期审查模型更新和决策标准。.
• 升级与突破协议：创建“打破玻璃”通道，以升级疑似偏见；要求记录在案的补救步骤；跟踪解决时间并及时结案。.
• 透明度和未来导向：发布一份关于模型性能、缓解结果和计划变更的简明报告；概述明年的优先事项，以指导未来的投资。.

劳工部关于工人福祉的指导：评估人工智能对安全和士气的影响

在任何人工智能部署之前以及重大更新之后，进行正式的、为期一年的员工福祉影响评估。.

使用一个广泛、标准化的框架，以便对美国劳动力的安全和士气做出知情的决策，并向参与者提供清晰的通知周期以及包含里程碑的完整路线图。 知名监管机构和行业观察者期望透明度和数据驱动的洞察力，这些洞察力能够触及影响日常工作的各个组成部分的质量和潜在的性能改进。.

与工会和支持性非工会团队进行沟通，通过调查、全体会议和客户的直接渠道邀请意见，并以明确的方式将反馈纳入决策过程。遵守美国联邦贸易委员会（FTCs）和贸易标准，并记录回复，以降低诉讼风险，保持系统的完整生命周期。.

reichenberg指出，有意义的、影响员工的变化需要透明度、独立审计以及健全的培训计划。管理人员和一线员工必须以一致的顺序操作，以便实现学习、高质量培训以及工作程序变更的可靠通知，同时关注未来的工作场所条件以及广泛团结的员工队伍的需求。.

人工智能雇佣决策中的法律风险降低：文档记录和审计跟踪

建立一个集中的文档中心，记录每一个受人工智能影响的雇佣决定：模型版本、数据来源、输入特征、输出、决策阈值以及人工论证。为每个条目附加时间戳和批准机构，并保存不可更改的日志，以追踪它们是如何在此处被开发和选择的。.

通过将每个决策与合同、申请人和员工联系起来，构建一个可审计的追踪记录，并使用版本控制的工件，包括开发说明、测试结果、公平性检查以及用于证明结果合理的准确理由。确保日志具有防篡改性，审计团队可以访问，并逐年保留，同时自动导出到治理仪表板。.

识别数据漂移、有偏结果或与预期雇佣标准不符等风险信号。使用风险类别、受影响的员工或申请人以及适用的权利标记每个案例。如果识别出风险，则上报至执行团队；如果保障措施不足，则暂停部署，确保在所有业务线中一致地实施这些措施。.

嵌入保障措施，保护申请人和员工，包括可解释的输出和追索途径。确保所有决策都符合合同以及相关人员的权利。在此，由高管监督定义标准和权限，只有当人工审核确认与政策一致时，才可推翻自动化选择，否则将触发纠正措施。.

以书面规定的节奏规范治理：季度审查、模型卡更新以及解释调整原因的变更日志。在透明度与隐私之间取得平衡，并在“优先”一词体现优先保障高于含糊不清的政策语言中使用该词语，确保这些保障措施应用于各项雇佣决策。.

关注地域差异：北方市场可能需要更严格的管控；根据当地法律调整检查清单，同时保持卓越中心为各团队提供一致的标准。 提供从每个审查周期中学习的机会，并使年度改进与组织风险承受能力保持一致。.

面向未来的姿态：通过治理培训赋能员工；保持自主权和权威之间的平衡；确保申请人和员工的权利得到保护；准备好调整流程，否则风险会增加，同时要保持清晰的问责路径和持续改进。.

利用人工智能保持工作质量：设计角色、技能和职业道路

以政策驱动的设计为开端：将人工智能支持的任务映射到已定义角色，附加可衡量的技能，发布员工在获得许可后可以访问的透明职业阶梯，并在咨询顾问的帮助下以合乎道德的方式管理这些变更。.

建立一个监控框架，追踪工作场所内的质量、吞吐量和公平性等重要指标，通过透明的控制来规范人工智能的使用，并避免在没有人工监督的情况下依赖自动化裁决。.

构建以人为本的治理模式，并进行监控 negative 对服务不足群体的影响 工作, ，确保每条路径都是 单独地 解释过，并保持着 filed 使问题易于为...所理解 counsel; AI 辅助决策，而非主导决策。.

创建两条关联的轨迹：提升在 数据素养 和 伦理风险评估, ，以及横向调整至顾问或监督角色，里程碑按季度评估并记录在 legitimate 记录。.

与...进行持续对话 trade 适用的情况下，与工会或工人代表协商，确保改革是 legitimate, consent- 基于，并与...对齐 在法律上 既定制度；保持透明 process that 支持 workers without 胁迫或 forced 结果，并提供保密 counsel 给那些寻求建议的人。.

工作场所人工智能的治理与监督：政策、培训和问责制

建议：在30天内建立三层人工智能治理章程，任命跨职能部门的权威机构，并在所有影响人事决策的系统中实施监控。这种方法能够提高透明度，降低歧视风险，并提高整体员工的工作效率。.

• 策略架构与权限：明确执行发起人、策略负责人和运营部门的职责；要求安全和人力资源部门签字；确保纳入隐私、公平和反歧视标准。设立常设工作组，成员包括北方运营部门的代表，以反映区域差异。确保公司的治理文件可访问并按季度更新。解决人才决策、排班和绩效评估中使用的自动化系统问题。.
• 监控、测量和透明度：实施数据溯源、模型卡和仪表板；发布一个基于 KPI 的仪表板，展示决策如何影响工人和生产力；在决策影响工人时，向他们提供解释；维护审计跟踪，以支持第五次季度审查，并最大限度地减少错误输出的风险。他们可以看到数据来源以及模型如何影响结果；这些步骤提高了问责制和信任。.
• 培训与能力开发：针对三个层级（高管、经理和一线员工）推出角色特定的培训；包括关于偏见、歧视和数据安全的模块；提供人机协同检查的实践操作；为学习者提供识别问题输出的场景；要求在部署前完成培训；将培训纳入入职和持续的职业发展中。.
• 问责制和风险管理：建立可疑损害或错误的升级路径；要求定期内部审计和独立审查；将后果与基于角色的职责联系起来；建立明确的责任框架来处理诉讼风险和合规性差距；要求记录纠正措施并验证补救措施的成功。.
• 运营实践和持续改进：实施基于风险的供应商监督方法，定义可接受的使用策略，并执行最小权限数据访问；与新兴法规和标准保持一致；规划随着技术发展的持续更新；监控安全事件并迅速响应；确保输出结果不含偏见，以保护工人权利并提高整个员工队伍的决策质量。.