用途：对 AI/ML 模型和数据集进行偏见、公平性与伦理合规审计，输出量化公平性指标和结构化审计报告。
主要能力：计算人口统计均等比率、均等机会差、均等赔率差、预测均等与分组校准；应用四分之五规则（比率低于 0.80 标记潜在不利影响）；按严重度分级（低 0.90-1.0、中 0.80-0.90、高 0.70-0.80、严重低于 0.70）；通过特征与敏感属性相关性识别代理变量（r > 0.3）；给出重采样、重加权、阈值调整或 Fairlearn ExponentiatedGradient 等缓解建议；映射 IEEE、EU、ACM 伦理准则生成合规矩阵。
使用方式：需 Python 3.9+，安装 Fairlearn（pip install fairlearn）与 AIF360（pip install aif360），以及 pandas、NumPy、scikit-learn；准备模型预测（概率或二值标签）、真实标签和受治理的敏感属性列。流程为加载数据并校验 schema、定义受保护属性与特权/非特权组、计算代表性与公平性指标、分级发现、识别代理变量、生成缓解方案与合规评估，并记录权衡与残余风险。可选 Google What-If Tool 交互探索。
适用场景：招聘筛选、信贷审批、医疗风险预测等模型的公平性审计。
限制：分组样本少于 30 时指标不可靠，需聚合或自助置信区间；敏感属性缺失时需代理检测并申请数据治理授权；人口统计均等与均等赔率可能冲突，需按部署场景取舍；数据编码不一致或空值需先标准化处理；预测格式不符需先转换。具体收费、平台与效果资料暂未提供。