電腦視覺

電腦視覺（Computer Vision）是人工智慧的一門分支，旨在讓電腦系統能從數位影像或影片中獲取、處理、分析並理解有意義的資訊，進而做出決策。其核心是模仿人類視覺系統的能力，透過機器學習與深度學習模型，辨識物體、場景與活動。在風險管理體系中，電腦視覺被視為高風險應用，因其處理的資料（如人臉影像）常涉及敏感個資。根據台灣《個人資料保護法》第6條，人臉特徵等生物特徵資料屬於特種個人資料，其蒐集、處理及利用受到嚴格規範。此外，國際標準如ISO/IEC 42001（AI管理系統）與NIST AI風險管理框架（AI RMF）皆要求企業對電腦視覺系統的偏誤、公平性、透明度與安全性進行系統性評估與管理，以防止歧視、侵犯隱私或造成安全危害。這與一般數據分析不同，電腦視覺的風險更直接關聯到個人權利與人身安全。

企業可透過電腦視覺技術主動管理營運風險。以台灣某大型電子製造廠為例，其導入步驟如下：第一步，**風險識別與評估**，定義電路板的微小瑕疵標準，並利用歷史影像數據評估人工檢測的漏檢率與誤判風險。第二步，**模型訓練與驗證**，建立超過百萬張影像的標註資料庫，訓練瑕疵檢測模型，並依據NIST AI風險管理框架對模型的公平性與穩健性進行壓力測試，確保其在不同生產批次間的表現穩定。第三步，**部署監控與持續改善**，將模型部署於產線，建立即時監控儀表板，持續追蹤關鍵績效指標（KPIs）。導入後，該廠的產品瑕疵流出率降低了60%，大幅減少了產品召回的風險與相關成本。在金融業，銀行可利用電腦視覺進行身份驗證（eKYC），透過活體檢測技術防止詐欺，使線上開戶的詐欺事件減少約30%，同時確保流程符合金融監理單位的規範。

台灣企業導入電腦視覺面臨三大挑戰。第一，**資料品質與隱私合規**：企業常缺乏高品質的在地化標註數據，且若涉及人臉等生物特徵，需符合《個人資料保護法》對敏感個資的嚴格規範，取得當事人同意是一大難題。第二，**演算法偏誤與公平性**：若訓練資料無法代表台灣族群多元性，可能導致模型對特定群體辨識率較低，產生歧視風險。第三，**技術整合與人才短缺**：中小企業普遍缺乏跨領域人才，難以將模型與現有資訊系統有效整合。解決方案包括：建立嚴謹的資料治理框架，導入匿名化技術；依循NIST框架進行偏誤檢測與紅隊演練；與外部專業顧問合作，透過短期概念驗證（PoC）專案，在2-3個月內快速評估可行性與效益，降低導入門檻。