为 AI 训练数据构建不可变审计轨迹：技术要求
EU AI Act 第 10 条和第 30 条要求可验证的、防篡改的训练数据收集、处理和使用记录。以下是不可变 AI 审计轨迹的技术架构。
当 EU AI Act 说 AI 系统必须维护运营记录时，它不是说"在某处保留一个日志文件"。它意味着审计员可以独立确认自创建以来未被修改的可验证、防篡改记录。
"不可变"在此上下文中的含义
一旦记录被写入，任何用户、管理员或系统进程都不能修改、覆盖或删除它。
技术机制：写入一次存储、加密链、数字签名、带行级安全的仅追加数据库。
架构选项
选项 1：带加密哈希的仅追加数据库
使用 PostgreSQL，SHA-256 哈希链。成本最低，使用现有基础设施。
选项 2：数据集版本控制的 Merkle 树
通过单个根哈希高效验证大型数据集。适用于数据集版本控制。
选项 3：签名日志条目
每条日志使用 HSM 管理的私钥签名。最强的法律和监管证据形式。
推荐方法： 结合选项 1 和 2。
每个管道阶段记录什么
摄入： 源文件路径、哈希、格式、提取方法、操作员 ID。
清洗： 输入数据集版本、操作类型、参数、修改记录、前后样本。
标注： 标注方法、标注者 ID、标签模式版本、标注者间一致性分数。
增强： 增强方法、参数、生成的合成记录数。
导出： 输出格式、记录数、输出文件哈希、Merkle 树根哈希。
存储需求
每年约 50MB 原始日志数据。10 年约 500MB。存储成本不是约束。约束是完整性——确保数据在 10 年间跨存储迁移和硬件替换保持未修改。
建议在至少两个独立位置存储审计日志并进行独立完整性验证。
Ertas Data Suite
Ertas Data Suite 原生实现不可变审计日志。每个操作生成带操作员标识的哈希链、带时间戳的日志条目。数据集版本通过 Merkle 树根哈希跟踪。
Your data is the bottleneck — not your models.
Ertas Data Suite turns unstructured enterprise files into AI-ready datasets — on-premise, air-gapped, with full audit trail. One platform replaces 3–7 tools.
延伸阅读
Turn unstructured data into AI-ready datasets — without it leaving the building.
On-premise data preparation with full audit trail. No data egress. No fragmented toolchains. EU AI Act Article 30 compliance built in.
Keep reading
Why Your RAG Pipeline Fails Silently — And How to Make It Observable
Most RAG pipelines are invisible glue code. When retrieval quality drops, there is no logging, no node-level metrics, and no way to trace which document caused the bad answer. Here is how to build observable RAG infrastructure.
Best HIPAA-Compliant RAG Pipeline for Healthcare: On-Premise Document Retrieval Without Data Egress
Healthcare organizations need RAG for clinical AI — but cloud-based retrieval pipelines violate HIPAA when they process PHI. Here is how to build a compliant RAG pipeline that runs entirely on your infrastructure.
How to Deploy a RAG Pipeline as an API Endpoint Your AI Agent Can Call
Most RAG tutorials stop at the vector store. Production AI agents need a callable retrieval endpoint with tool-calling specs. Here is how to build and deploy RAG as modular infrastructure, not embedded code.