1. 课程导入与合规地图

企业引入人工智能，往往从“能不能用”开始，但真正决定项目能否长期运行的，是“用得是否合规”。大模型、智能客服、推荐系统、文档问答、图像识别等应用，几乎都会接触个人信息、业务数据甚至敏感数据。一旦在数据采集、训练、推理、输出或留存环节失控，企业面临的不仅是监管处罚，还有客户信任流失、商业机密泄露和业务中断。本课程的核心目标，是帮助你把数据隐私与个人信息合规从抽象法条，转化为AI项目全生命周期中可执行、可检查、可追溯的动作。

先建立一张“合规地图”。企业AI应用通常涉及五类关键角色：业务发起方提出场景与目标；数据提供方提供原始数据或接口；AI研发/运营团队负责模型训练、微调、部署与监控；法务与合规团队负责合法性判断、协议审查与风险评估；安全与运维团队负责权限、加密、日志与应急响应。角色之间不是串行交接，而是围绕数据流持续协作。任何一个角色缺位，都会在某个环节留下合规缺口。

从生命周期看，AI应用的数据隐私风险集中在六个阶段：场景定义与数据采集、数据预处理与标注、模型训练与微调、部署与推理、输出与交互、留存、共享与销毁。每个阶段都有典型风险场景。例如，采集阶段可能超范围收集人脸、声纹、位置等敏感个人信息；预处理阶段可能把未脱敏数据交给外部标注团队；训练阶段可能将客户合同、工单记录直接喂给模型，导致记忆泄露；推理阶段可能因提示词注入而越权读取其他用户数据；输出阶段可能生成包含他人个人信息的文本；留存阶段则可能因日志、缓存、备份长期保存数据而违反最小必要和存储期限要求。

这张地图不是装饰，而是后续每一章的操作索引。你可以在任何AI项目中，把当前工作对应到某个阶段，再检查该阶段的风险场景是否已被控制动作覆盖。例如，一个智能客服项目在“部署与推理”阶段，如果允许客服人员直接粘贴客户完整对话给模型，就同时触发了“越权访问”和“未脱敏处理”两个风险点，对应的控制动作是权限最小化和输入脱敏。

本课程采用任务驱动方式推进。每个章节都会围绕一个具体任务展开，例如“为训练数据建立分类分级清单”“设计提示词注入的防护规则”“编写数据留存与销毁检查表”。你不需要先成为法律专家，而是通过完成这些任务，逐步建立合规判断力。课程中出现的参数、阈值和示例数据，均属于教学假设或合理示例，用于说明方法，不代表任何企业的实际运行结果。

在正式进入各阶段细节之前，先建立三个基本判断原则。第一，场景决定合规强度：面向公众的生成式AI应用，与内部文档检索工具，风险等级不同，控制措施也应不同。第二，数据流决定责任链：数据从哪来、经过谁、存到哪、给谁用，每个节点都要有明确的责任人和处理依据。第三，可验证优于可声明：合规不是写一份制度文件，而是留下可检查的日志、审批记录、脱敏规则和删除证明。

接下来，课程将按照生命周期顺序，逐阶段展开数据隐私与个人信息合规的具体要求、操作方法和判断标准。你会看到真实的场景示例、可参考的检查清单、参数配置思路和异常处理路径。目标只有一个：让合规成为AI应用的一部分，而不是项目结束后的补救工作。