本地数据准备如何满足欧盟《人工智能法案》的文档要求

欧盟《人工智能法案》对高风险 AI 系统的文档要求相当繁重。第 10 条和第 11 条（文档内容由附件 IV 规定）合起来，要求企业能够说明训练数据是如何采集、准备、标注和质量把关的，并且从源头到最终数据集全程可追溯。

本地部署的数据准备平台在满足这些要求上有结构性优势。原因如下。

碎片化流水线带来的文档难题

今天多数企业的 AI 数据流水线大致长这样：

1. Docling 或 Unstructured.io 负责文档解析
2. 自研 Python 脚本 负责清洗与归一化
3. Label Studio 或 Prodigy 负责标注
4. Cleanlab 负责质量评分
5. 又一个脚本 负责导出格式化

每个工具都有自己的日志（如果有的话）。工具之间的每一处衔接，都是潜在的文档缺口。当监管方要求提供某条训练样本的完整数据血缘时，你得把五套不同系统的日志拼起来，前提还是那些日志确实存在并且格式兼容。

多数企业就是在这里发现自己的合规缺口。原因并不是他们没做该做的事，而是这些事没有以统一、可审计的方式被记录下来。

本地部署为什么能从结构上解决这件事

一个在单一系统内处理完整数据准备流水线的本地平台，在欧盟《人工智能法案》合规上有三项内在优势：

1. 统一的审计链路

当五个阶段（摄入 → 清洗 → 标注 → 增强 → 导出）都跑在同一个应用里，每一次操作都写进同一份审计日志，衔接处不会有缺口。从源文档到导出的训练记录，血缘是连续且自动生成的。

这是架构带来的结果，而不是事后加装到系统上的功能。数据在各阶段之间从不离开平台，血缘也就无处可断。

2. 不存在数据出境问题

欧盟《人工智能法案》并未明文禁止在云端做数据准备，但 GDPR 会带来实质性的阻力。如果你的训练数据包含个人数据（在很多企业场景里确实包含），把它送到云端准备工具就会触发 GDPR 的数据传输义务。

本地处理彻底消除了这一点。数据在整条流水线中都留在你自己的基础设施上。不需要数据传输影响评估，不需要跨境传输机制，数据准备阶段也不需要处理者协议。

对于必须同时满足 GDPR 和《人工智能法案》的企业来说，本地准备是监管阻力最小的路径。

3. 无需云端身份管理即可归属到操作者

第 10 条要求的数据治理实践中包含问责。第 11 条和附件 IV 的技术文档必须说明数据由谁、以何种方式准备。在多个云工具拼起来的方案里，要弄清「谁做了什么」，就得在多个 SaaS 平台之间同步身份。

本地平台在本机就能处理操作者归属。系统知道是谁登录、做了什么、什么时候做的，因为这一切都发生在同一台机器或同一个网络内。不需要身份联邦，不需要跨平台身份映射，也不需要对齐 OAuth 令牌。

实际操作起来是什么样

设想一家律师事务所，正在为一个 AI 条款抽取模型准备合同数据：

用碎片化的云端流水线：

1. 合同上传到云端解析服务，数据离开了本地
2. 解析后的文本下载到本地清洗，从解析到清洗这一段血缘要靠人工维护
3. 清洗后的文本上传到云端标注平台，数据又一次离开本地
4. 标注好的数据下载到本地做质量评分，血缘再断一次
5. 最终数据集由一个脚本拼装，所谓文档就是脚本打到标准输出的那些内容

用统一的本地平台：

1. 从本地存储摄入合同，OCR、版面识别、表格抽取全部记入日志
2. 在同一个应用里应用清洗规则，去重、质量评分、PII 脱敏全部记入日志
3. 律师在同一个应用里标注条款，标签、标注人、时间戳全部记入日志
4. 在同一个应用里做质量复核，复核决定记入日志
5. 导出为 JSONL，附带完整血缘报告，一键生成合规文档

第二种做法不需要额外的合规工程。文档是日常运行的副产品。

合规文档应当能导出什么

一个设计得当的本地平台应当能导出：

• 数据血缘报告：从任意一条输出记录完整追溯到它的源文档
• 操作者活动日志：每一个动作都归属到具体操作者，并带时间戳
• 质量指标报告：错误率、置信度分数、标注者间一致性
• 偏见检查报告：分析维度、发现的问题、采取的缓解措施
• 数据集统计：分布、覆盖度、构成
• 版本历史：各数据集版本之间的变更及其理由

这些输出与欧盟《人工智能法案》附件四直接对应，也就是高风险系统的最低技术文档要求。

什么情况下云端准备是可行的

平心而论，云端数据准备并非在所有场合都出局：

• 如果你的训练数据不含个人数据，GDPR 的传输顾虑就不适用
• 如果你的 AI 系统不被归为高风险，第 10 条的要求就不适用
• 如果你已经有完善的数据处理协议和传输机制，云端处理在法律上是可行的（尽管操作上更复杂）

但对于医疗、法律、金融、政府这些受监管行业中，为高风险 AI 应用处理敏感数据的企业来说，本地部署是合规麻烦最少的那条路。

评估时该问什么

如果你正在以欧盟《人工智能法案》合规为前提挑选数据准备平台，请问清楚：

1. 它是否覆盖完整流水线，还是需要你自己去集成多个工具？
2. 它是否自动生成审计链路，还是需要你自己搭建日志系统？
3. 它能否产出可对应附件四的合规文档？
4. 它能否完全在本地运行，还是必须联网？
5. 领域专家能否直接使用，还是必须由 ML 工程师来操作？

Ertas Data Suite 就是为了让这五个问题的答案都是「是」而设计的。流水线的每个阶段共享同一套审计基础设施，合规报告可直接导出，原生桌面应用完全在本地运行，包括物理隔离环境。

2026 年 8 月的期限正在逼近。你的流水线架构本身就是一个合规决策。