原書以 Stanford foundation-model governance 研究為靈感，提出 GenAIOps 的 Data checklist。
某企業準備 fine-tune／adapt 模型，需先回答原書列出的資料問題：來源、生成方式、使用授權、copyright、confidential data、PII、poisoning，以及資料中是否混入 AI-generated content。
| 檢查問題 | 目的 |
|---|---|
| Training data sources? | 建立 provenance |
| How was data generated? | 理解資料形成機制 |
| Permission to use? | 確認授權／同意 |
| Copyrighted material? | IP 風險 |
| Sensitive／confidential data? | 企業機密風險 |
| PII? | 個資風險 |
| Poisoned or poisonable? | 資料完整性風險 |
| Genuine or AI-generated? | 避免 AI-generated content 污染訓練資料 |
建立 8 項 checklist，每項記錄 Yes／No／Unknown、owner、evidence、remediation date。Unknown 不應視為 pass。
若教材 pilot 的 8 項中 6 項已有證據，evidence coverage=6÷8=75%。
資料「存在」不等於「可用」。來源不清、權利不明或 PII／poisoning 未處理，都可能讓 model risk 在部署後放大。
根據以下 data inventory 對照 8 項 GenAIOps data checklist；只把有文件證據的項目標成 Pass，其他標成 Unknown 或 Fail。
**題目：**若補齊 1 項 evidence，coverage 由 6/8 變多少？
**參考解答：**由 75% 升至 7÷8=87.5%。