AI Reliability: Panduan Sistem AI Yang Boleh Dipercayai

AI INFRASTRUCTURE • CANON GUIDE

AI yang pintar belum semestinya AI yang boleh dipercayai.

AI Reliability ialah disiplin yang memastikan sistem AI dapat dinilai, dipantau, dikawal dan diperbaiki supaya prestasinya memenuhi keperluan penggunaan sebenar.

Oleh Nobodynaga • Dikemaskini Oktober 2026

ARTICLE GRAPH

Graph: AINF-GRAPH-03

Article: AINF-CN03

Category: AI Infrastructure

Layer: AI Reliability

Type: Canon / Artikel Rujukan

Role: Core Knowledge Node

AI Infrastructure Knowledge Graph

Artikel ini merupakan sebahagian daripada AI Infrastructure Hub Nobodynaga.

AI Reliability ialah salah satu domain utama dalam AI Infrastructure. Fokusnya ialah memastikan sistem AI bukan sahaja mempunyai kemampuan tertentu, tetapi juga boleh dinilai, dikendalikan dan diperbaiki dalam penggunaan sebenar.

Ringkasan

AI Reliability merujuk kepada keupayaan sistem AI untuk memenuhi keperluan yang ditetapkan secara konsisten, dengan prestasi dan tingkah laku yang boleh dinilai serta dikendalikan.

Model AI boleh menghasilkan jawapan yang baik dalam satu ujian, tetapi keadaan itu sahaja belum membuktikan bahawa keseluruhan sistem boleh dipercayai. Dalam production, output turut dipengaruhi oleh data, prompt, context, retrieval, tools, application logic dan komponen infrastruktur yang digunakan.

Oleh itu, reliability perlu dinilai pada peringkat sistem, bukan berdasarkan model atau satu metrik sahaja.

Secara umum, AI Reliability melibatkan empat perkara utama:

• Evaluate — menilai sama ada sistem memenuhi keperluan.
• Observe — memahami tingkah laku dan keadaan sistem.
• Control — mengurangkan risiko dan mengendalikan tingkah laku yang tidak dikehendaki.
• Improve — menggunakan hasil penilaian dan maklumat operasi untuk memperbaiki sistem.

Apa Yang Anda Akan Pelajari?

• Apakah AI Reliability dan mengapa ia penting.
• Kedudukan AI Reliability dalam AI Infrastructure.
• Dimensi utama reliability sistem AI.
• Perbezaan evaluation, benchmarking, guardrails dan safety.
• Peranan observability dan monitoring dalam production.
• Bagaimana reliability dipengaruhi oleh model, retrieval, tools dan application logic.
• Bagaimana sistem mengendalikan kegagalan dan perubahan.
• Apakah yang perlu dinilai sebelum dan selepas deployment.

1. Apakah AI Reliability?

AI Reliability ialah disiplin engineering yang memberi tumpuan kepada sejauh mana sistem AI berfungsi seperti yang diperlukan dalam keadaan penggunaan yang dijangka.

Ia bukan satu model, library atau teknologi tunggal. Sebaliknya, reliability bergantung kepada gabungan reka bentuk sistem, kriteria penilaian, mekanisme kawalan, pemantauan dan proses penambahbaikan.

Perbezaan penting ialah antara AI capability dengan AI reliability.

AI Capability

Capability menerangkan perkara yang boleh dilakukan oleh sistem, seperti menjawab soalan, merumuskan dokumen, menghasilkan kod atau menggunakan tools.

AI Reliability

Reliability melihat sama ada sistem tersebut terus memenuhi keperluan yang ditetapkan, bagaimana kegagalan dikesan dan bagaimana kesannya dikendalikan.

Sistem yang berjaya menghasilkan satu jawapan yang tepat belum semestinya reliable. Penilaian perlu mengambil kira variasi input, kegagalan komponen, perubahan sistem dan keadaan operasi sebenar.

Reliability bukan jaminan bahawa AI tidak pernah gagal

Sistem kompleks tidak boleh dianggap bebas daripada semua kemungkinan kegagalan. Matlamat reliability ialah mengurangkan risiko, mengesan masalah, menghadkan kesannya dan menyediakan cara untuk membuat pembaikan apabila diperlukan.

2. Kedudukan AI Reliability Dalam AI Infrastructure

Dalam struktur Nobodynaga, AI Reliability ialah salah satu daripada empat domain Canon utama di bawah AI Infrastructure Hub. Setiap Canon menerangkan skop yang berbeza dan saling melengkapi.

AI INFRASTRUCTURE HUB

• AI Foundation — asas teknologi dan konsep yang membentuk sistem AI.
• AI Integration & Intelligence — bagaimana komponen AI dihubungkan dan digunakan untuk menghasilkan kemampuan sistem.
• AI Reliability — bagaimana sistem dinilai, dipantau, dikawal dan diperbaiki.
• AI Governance & Security — bagaimana AI diurus, dilindungi dan dikawal melalui polisi serta mekanisme organisasi.

Empat Canon ini bukan semestinya langkah yang mesti diikuti secara linear. Dalam architecture sebenar, reliability perlu dipertimbangkan ketika sistem direka, diintegrasikan, digunakan dan diurus.

AI Reliability mempunyai hubungan langsung dengan AI Foundation kerana tingkah laku model dan komponen asas mempengaruhi prestasi sistem. Ia juga berkait dengan AI Integration & Intelligence kerana setiap integrasi, retrieval pipeline, tool atau workflow boleh memperkenalkan failure mode yang berbeza.

AI Governance & Security pula mempunyai skop tersendiri yang merangkumi polisi, accountability, pengurusan risiko, security dan kawalan organisasi. Reliability boleh menyokong governance, tetapi tidak menggantikannya.

Hubungan Canon yang berkaitan

• AI Foundation Canon
• AI Integration & Intelligence Canon

3. Dimensi Utama AI Reliability

Tiada satu metrik pun yang boleh menerangkan keseluruhan reliability sesuatu sistem AI. Dimensi yang diperlukan bergantung kepada fungsi, risiko dan keperluan aplikasi.

3.1 Accuracy dan output quality

Accuracy menerangkan sejauh mana output sepadan dengan jawapan atau hasil yang sepatutnya berdasarkan kriteria penilaian. Bagi sistem generatif, penilaian kualiti mungkin memerlukan gabungan automated evaluation dan human evaluation.

Bergantung kepada use case, kualiti output turut melibatkan factuality, relevansi, instruction following, kesesuaian format dan keupayaan menghasilkan jawapan yang disokong oleh maklumat yang tersedia.

3.2 Consistency

Consistency merujuk kepada kestabilan prestasi dan tingkah laku sistem dalam keadaan yang dijangka. Ia tidak bermaksud model mesti menghasilkan ayat yang sama untuk setiap input, tetapi output perlu kekal dalam lingkungan kualiti yang boleh diterima.

3.3 Robustness

Robustness ialah keupayaan sistem mengekalkan prestasi apabila berhadapan dengan variasi input atau keadaan yang tidak ideal tetapi masih relevan dengan penggunaan yang dijangka.

3.4 Controllability

Controllability merujuk kepada keupayaan mengehadkan tingkah laku sistem melalui mekanisme kawalan yang sesuai. Contohnya termasuk validation, permission boundaries, output constraints dan pengesahan manusia sebelum tindakan tertentu dilaksanakan.

3.5 Observability

Observability membolehkan pasukan memahami keadaan sistem melalui signal, telemetry dan rekod operasi. Tanpanya, masalah mungkin hanya diketahui selepas pengguna mengalami kegagalan.

3.6 Reliability operasi

Sistem AI juga perlu dinilai berdasarkan dimensi operasi seperti availability, latency, error rate, throughput dan keupayaan mengendalikan kegagalan.

Sistem yang pantas tetapi kerap memberikan jawapan salah tidak semestinya reliable. Begitu juga sistem yang menghasilkan jawapan berkualiti tetapi tidak tersedia ketika diperlukan.

Prinsip penting

Reliability perlu dinilai berdasarkan gabungan kualiti output, tingkah laku sistem, kawalan dan prestasi operasi yang sesuai dengan keperluan aplikasi.

4. Evaluation dan Benchmarking

Sistem AI tidak boleh dianggap reliable hanya kerana beberapa contoh output kelihatan baik. Prestasi perlu diuji menggunakan kriteria yang jelas dan test cases yang relevan dengan penggunaan sebenar.

AI Evaluation: Adakah sistem memenuhi keperluan?

AI Evaluation atau Evals ialah proses menguji output dan tingkah laku sistem berdasarkan kriteria yang ditetapkan.

Evaluation boleh merangkumi:

• ketepatan dan relevansi jawapan;
• factuality dan grounding;
• instruction following;
• konsistensi output;
• retrieval quality;
• tool selection dan tool execution;
• format output;
• serta tingkah laku dalam edge cases.

Evaluation boleh dijalankan pada model secara berasingan atau pada keseluruhan sistem. Untuk aplikasi production, system-level evaluation penting kerana output akhir turut dipengaruhi oleh prompt, data, retrieval, tools dan application logic.

Rujukan Framework: Apa Itu AI Evaluation (Evals) .

AI Benchmark: Bagaimana prestasi dibandingkan?

AI Benchmark menyediakan ujian atau ukuran yang boleh digunakan untuk membandingkan prestasi model atau sistem berdasarkan kriteria tertentu.

Benchmark perlu dipilih berdasarkan tugas yang relevan. Skor tinggi dalam satu benchmark tidak semestinya membuktikan bahawa sistem akan memenuhi semua keperluan production.

Rujukan Framework: Apa Itu AI Benchmark .

Model evaluation berbeza daripada system evaluation

Model yang menunjukkan prestasi baik dalam ujian tertentu masih boleh menjadi sebahagian daripada aplikasi yang tidak reliable. Puncanya mungkin retrieval yang tidak relevan, data yang tidak lengkap, tool yang gagal atau application logic yang bermasalah.

System-level evaluation

Nilai keseluruhan sistem berdasarkan komponen yang benar-benar digunakan: model, prompt, context, retrieval, tools dan application logic apabila berkaitan.

Tujuannya ialah mengenal pasti bukan sahaja sama ada output akhir betul, tetapi juga di mana dan bagaimana kegagalan berlaku.

5. Guardrails, Hallucination dan AI Safety

Reliability bukan hanya tentang mengukur prestasi. Sistem juga memerlukan mekanisme yang membantu mengurangkan tingkah laku yang tidak dikehendaki dan mengendalikan risiko yang dikenal pasti.

AI Hallucination

AI Hallucination berlaku apabila model menghasilkan maklumat yang tidak tepat atau tidak disokong oleh sumber yang sepatutnya. Dalam sistem yang menggunakan retrieval, hallucination boleh berkait dengan kualiti sumber, retrieval yang tidak relevan, context yang tidak mencukupi atau generation yang tidak tepat.

Pengurangan hallucination mungkin memerlukan gabungan evaluation, retrieval yang lebih baik, validation dan mekanisme kawalan. Menukar model sahaja tidak semestinya menyelesaikan semua punca.

Rujukan Framework: Apa Itu AI Hallucination .

AI Guardrails

AI Guardrails ialah mekanisme yang menetapkan batasan terhadap input, output atau tindakan sistem AI. Lokasi dan bentuk kawalan bergantung kepada architecture dan risiko aplikasi.

Contohnya termasuk validation input, output validation, format constraints, permission boundaries, had penggunaan tools dan keperluan mendapatkan kelulusan manusia sebelum tindakan tertentu.

Guardrails mengurangkan ruang tingkah laku yang tidak dikehendaki, tetapi tidak menjamin bahawa semua kegagalan dapat dicegah. Ia perlu digabungkan dengan evaluation, monitoring dan mekanisme pengendalian kegagalan.

Rujukan Framework: Apa Itu AI Guardrails .

AI Safety

AI Safety memberi tumpuan kepada pengurangan risiko kemudaratan dan tingkah laku yang tidak selamat. Ia berkait dengan reliability, tetapi kedua-duanya tidak boleh disamakan.

Sistem yang mempunyai prestasi teknikal yang stabil masih boleh memerlukan kawalan keselamatan tambahan berdasarkan use case, pengguna, jenis tindakan dan kesan kegagalan.

Rujukan Framework: Apa Itu AI Safety .

6. Observability dan Monitoring

Evaluation membantu menentukan sama ada sistem memenuhi kriteria yang ditetapkan. Observability pula membantu pasukan memahami apa yang berlaku ketika sistem beroperasi.

Dalam AI application, observability boleh merangkumi model calls, retrieval, tool execution, latency, errors, token usage dan workflow execution, bergantung kepada architecture.

Metrics, logs dan traces

• Metrics — ukuran kuantitatif seperti latency, error rate dan penggunaan resource.
• Logs — rekod peristiwa dan maklumat operasi yang membantu penyiasatan.
• Traces — rekod perjalanan request melalui komponen dan langkah dalam sistem.

Monitoring selepas deployment

Monitoring menggunakan signal operasi untuk mengenal pasti perubahan atau keadaan yang memerlukan perhatian.

Antara perkara yang boleh dipantau ialah:

• peningkatan latency atau error rate;
• perubahan availability;
• kegagalan retrieval atau tools;
• perubahan tingkah laku model;
• peningkatan intervention oleh manusia;
• dan perubahan prestasi selepas model atau data dikemas kini.

Observability dan monitoring saling melengkapi, tetapi bukan perkara yang sama. Observability menyediakan maklumat untuk memahami keadaan sistem; monitoring menggunakan maklumat tersebut untuk mengenal pasti keadaan yang memerlukan tindakan.

Traceability dan diagnosis

Apabila output terhasil daripada beberapa komponen, traceability membantu pasukan menyiasat perjalanan request dan mengenal pasti lokasi kegagalan.

Contohnya, jawapan yang salah mungkin berpunca daripada dokumen retrieval yang tidak relevan, bukan semestinya daripada model. Begitu juga tool call yang gagal boleh berpunca daripada parameter yang tidak sah, permission error atau service yang tidak tersedia.

Rekod operasi perlu direka dengan mengambil kira privasi, keselamatan dan akses kepada data. Tidak semua input atau output pengguna wajar disimpan tanpa had atau tanpa kawalan.

7. AI Reliability Dalam System Architecture

Reliability perlu dipertimbangkan pada keseluruhan architecture. Model hanyalah satu komponen; kualiti output dan tingkah laku sistem boleh dipengaruhi oleh data, retrieval, tools, orchestration dan application logic.

Faktor yang mempengaruhi reliability sistem

• Data layer: kualiti, kesegaran dan availability data.
• Model layer: kualiti output, latency dan tingkah laku model.
• Context dan retrieval: relevansi maklumat yang dibekalkan kepada model.
• Tool layer: pemilihan, permission dan pelaksanaan operasi luaran.
• Application layer: business logic, validation dan pengendalian error.
• Operations layer: monitoring, incident response dan recovery.

Senarai ini ialah model konseptual, bukan pipeline wajib. Dalam architecture sebenar, retrieval atau tool calls boleh berlaku pada tahap yang berbeza, manakala evaluation dan observability boleh merentasi keseluruhan sistem.

Reliability dalam RAG

Bagi sistem Retrieval-Augmented Generation (RAG), reliability bergantung kepada lebih daripada generation quality. Kualiti sumber, chunking, embeddings, retrieval, ranking dan context construction boleh mempengaruhi jawapan akhir.

Jika retrieval memilih dokumen yang tidak relevan, model mungkin menghasilkan jawapan yang lemah walaupun model tersebut mempunyai kemampuan bahasa yang baik. Oleh itu, retrieval dan generation perlu dinilai mengikut peranan masing-masing.

Untuk memahami komponen retrieval dengan lebih mendalam, rujuk Apa Itu RAG — Retrieval-Augmented Generation .

Reliability dalam AI Agent

AI Agent boleh menggunakan model untuk memilih tindakan, memanggil tools dan memproses hasil bagi menentukan langkah seterusnya. Keupayaan ini menambah failure modes kerana sistem bukan sahaja menghasilkan teks, tetapi mungkin melakukan operasi.

Reliability agent perlu mengambil kira pemilihan tool, parameter, permission, execution errors, had langkah, validation hasil dan keperluan human approval.

Evaluation terhadap jawapan terakhir sahaja mungkin tidak mencukupi. Bagi workflow agent, langkah-langkah yang menghasilkan keputusan juga mungkin perlu dinilai.

Reliability dan AI Orchestration

AI Orchestration menyelaraskan aliran kerja dan interaksi antara komponen. AI Reliability pula menumpukan kepada bagaimana tingkah laku dan hasil keseluruhan aliran tersebut dinilai, dipantau, dikawal dan diperbaiki.

Orchestration tidak secara automatik menjadikan sistem reliable. Architecture masih memerlukan validation, pengendalian kegagalan, evaluation dan observability yang sesuai.

8. Failure Handling dan Recovery

Walaupun sistem direka dengan baik, kegagalan masih boleh berlaku. Oleh itu, reliability memerlukan strategi untuk mengenal pasti kegagalan, mengurangkan kesannya dan memulihkan operasi apabila sesuai.

Failure modes bergantung kepada architecture. Antara contoh umum ialah output tidak tepat, retrieval yang lemah, tool timeout, service tidak tersedia, latency meningkat atau format output yang tidak dipatuhi.

Timeout dan retry

Timeout menetapkan tempoh maksimum untuk sesuatu operasi menunggu respons. Retry membolehkan operasi tertentu dicuba semula apabila kegagalan bersifat sementara.

Retry bukan penyelesaian untuk semua jenis error. Pengulangan tanpa kawalan boleh meningkatkan beban sistem atau menghasilkan duplicate actions, khususnya apabila operasi tidak selamat untuk diulang.

Retry policy perlu mengambil kira jenis error, had percubaan, backoff, timeout dan sama ada operasi selamat untuk dilaksanakan lebih daripada sekali.

Fallback dan graceful degradation

Fallback menyediakan laluan alternatif apabila komponen utama gagal. Graceful degradation pula membolehkan sistem mengekalkan fungsi asas apabila sebahagian komponen tidak tersedia.

Contohnya, sistem mungkin menggunakan sumber alternatif yang telah ditetapkan atau menghentikan fungsi tertentu sambil mengekalkan fungsi lain. Namun fallback mesti dinilai supaya ia tidak menghasilkan output yang mengelirukan atau melanggar keperluan sistem.

Human-in-the-loop

Untuk tindakan yang mempunyai risiko tinggi, sistem boleh memerlukan manusia menyemak atau meluluskan tindakan sebelum pelaksanaan diteruskan.

Human-in-the-loop bukan tanda bahawa automasi gagal. Ia ialah mekanisme kawalan yang boleh digunakan apabila risiko, kos kesilapan atau keperluan accountability memerlukan campur tangan manusia.

Incident response dan root cause analysis

Apabila kegagalan berlaku dalam production, organisasi perlu mengenal pasti skop masalah, menentukan komponen yang terjejas, mengaktifkan mitigasi yang sesuai dan menyiasat punca sebenar.

Root cause analysis penting kerana simptom yang dilihat pengguna tidak semestinya menunjukkan punca kegagalan. Jawapan yang salah, misalnya, boleh berpunca daripada sumber data, retrieval, prompt, model atau application logic.

Hasil penyiasatan perlu digunakan untuk memperbaiki test cases, controls, monitoring dan architecture supaya kegagalan yang sama lebih mudah dikesan atau dikurangkan pada masa hadapan.

9. AI Reliability Sepanjang Lifecycle Sistem

Reliability bukan aktiviti yang dilakukan sekali sahaja sebelum deployment. Model, data, prompt, tools dan dependency boleh berubah, dan perubahan tersebut boleh mempengaruhi prestasi sistem.

Oleh itu, reliability perlu dimasukkan dalam keseluruhan lifecycle.

AI Reliability Lifecycle

1. Design: tetapkan keperluan, risiko dan keadaan yang dianggap sebagai kegagalan.
2. Build: bina sistem dengan validation, kawalan dan mekanisme operasi yang diperlukan.
3. Evaluate: uji output, failure modes dan tingkah laku sistem menggunakan test cases yang relevan.
4. Deploy: lancarkan perubahan melalui proses yang sesuai dengan risiko.
5. Monitor: perhatikan prestasi, error dan perubahan tingkah laku dalam penggunaan sebenar.
6. Improve: gunakan hasil evaluation dan production feedback untuk memperbaiki sistem.
7. Re-evaluate: uji semula selepas perubahan model, data, prompt atau architecture.

Regression testing

Perubahan baharu boleh meningkatkan satu aspek prestasi tetapi menjejaskan aspek lain. Regression testing membantu mengenal pasti sama ada perubahan pada model, prompt, retrieval atau application logic menyebabkan tingkah laku yang sebelumnya boleh diterima menjadi lebih buruk.

Change management

Perubahan penting perlu melalui proses yang terkawal. Sebelum deployment, sistem patut dinilai berdasarkan keperluan yang relevan, dan selepas deployment prestasinya perlu dipantau.

Model baharu tidak semestinya lebih reliable untuk setiap workload. Keputusan perlu dibuat berdasarkan hasil evaluation dan keperluan aplikasi, bukan berdasarkan versi model sahaja.

Checklist sebelum AI digunakan dalam production

• Adakah keperluan dan kriteria kejayaan telah ditetapkan?
• Adakah evaluation set mewakili penggunaan sebenar?
• Adakah failure modes utama telah dikenal pasti?
• Adakah model dan keseluruhan sistem dinilai pada tahap yang sesuai?
• Adakah latency, error dan availability dipantau?
• Adakah retrieval dan tool execution diuji jika digunakan?
• Adakah traceability mencukupi untuk membantu diagnosis?
• Adakah retry, fallback dan recovery direka dengan sesuai?
• Adakah human escalation diperlukan untuk tindakan tertentu?
• Adakah proses incident response dan regression testing tersedia?

10. Hubungan Canon Dengan Framework AI Reliability

Canon AI Reliability menerangkan keseluruhan domain: definisi, dimensi, prinsip architecture, lifecycle dan hubungan antara mekanisme reliability.

Framework khusus pula memberikan penerangan lebih mendalam tentang masalah atau mekanisme tertentu. Framework tidak perlu mengulang keseluruhan Canon; sebaliknya, ia perlu menerangkan skopnya dengan lebih terperinci dan memaut kembali kepada Canon sebagai rujukan induk.

Hierarchy kandungan

AI Infrastructure Hub

↓

AI Reliability — Canon

↓

Framework khusus mengikut skop yang ditetapkan

Framework berkaitan

• AI Hallucination — risiko output yang tidak tepat atau tidak disokong oleh maklumat yang sepatutnya.
• AI Guardrails — mekanisme kawalan terhadap input, output dan tindakan sistem.
• AI Safety — pengurangan risiko kemudaratan dan tingkah laku yang tidak selamat.
• AI Evaluation (Evals) — penilaian output dan tingkah laku sistem berdasarkan kriteria.
• AI Benchmark — perbandingan prestasi menggunakan ujian atau ukuran yang sesuai.

Kesimpulan

AI Reliability ialah keupayaan keseluruhan sistem AI untuk memenuhi keperluan yang ditetapkan, menghasilkan prestasi yang boleh dinilai dan dikendalikan, serta menyediakan cara untuk mengesan dan mengurus kegagalan.

Reliability tidak boleh dinilai berdasarkan model atau satu metrik sahaja. Data, prompt, context, retrieval, tools, application logic dan operational infrastructure semuanya boleh mempengaruhi output akhir.

Sebab itu AI Reliability merangkumi evaluation, guardrails, observability, monitoring, failure handling dan continuous improvement. Setiap mekanisme memainkan peranan yang berbeza dan perlu dipilih mengikut keperluan serta risiko aplikasi.

Dalam sistem RAG, reliability perlu mengambil kira retrieval dan generation. Dalam AI Agent pula, penilaian turut melibatkan pemilihan tools, execution, validation dan kawalan tindakan.

Matlamatnya bukan mencari model yang dijamin sempurna, tetapi membina sistem yang mempunyai cara untuk mengukur prestasi, mengesan masalah, menghadkan kesan kegagalan dan memperbaiki tingkah lakunya apabila keadaan berubah.

Nobodynaga Insight

AI yang pintar belum tentu merupakan AI yang reliable. Keupayaan menghasilkan output hanyalah satu bahagian daripada keseluruhan sistem.

Reliability perlu dibina ke dalam architecture melalui evaluation, kawalan, observability dan penambahbaikan yang berterusan.

Teruskan Pembelajaran AI Infrastructure

AI Reliability ialah salah satu domain utama dalam AI Infrastructure Nobodynaga. Untuk memahami hubungannya dengan domain lain, rujuk Canon berikut:

• AI Foundation — asas teknologi dan komponen yang membentuk sistem AI.
• AI Integration & Intelligence — bagaimana komponen AI dihubungkan dan digunakan dalam sistem.
• AI Infrastructure Hub — gambaran keseluruhan domain AI Infrastructure.

AI Governance & Security turut mempunyai hubungan dengan AI Reliability, khususnya dalam pengurusan risiko, kawalan dan operasi sistem. Pautan terus kepada Canon tersebut perlu ditambah selepas URL rasminya disahkan.