部署與營運

Deployment and Operation 是 AI 生命週期中將訓練完成的模型或演算法部署至實際生產環境，並進行持續監控與管理的階段。根據 ISO/IEC 42001:2023 第 8.4 條（AI系統的部署）與第 8.5 條（AI系統的營運），此階段的核心任務是確保 AI 系統在實際運行中仍符合設計時的性能、安全與倫理要求。這與傳統軟體部署的差異在於 AI 系統具有動態性——模型輸出會隨輸入資料變化而漂移，因此需要持續的監測、重新訓練機制與治理控制。在風險管理框架中，此階段屬於「控制措施執行」的核心環節，直接影響 AI 系統的可靠性與可解釋性。值得注意的是，Deployment 階段後續的 Operation 才是 AI 風險持續暴露的關鍵時期，需要建立完整的追蹤、記錄與應變流程。

企業應依 ISO/IEC 42001:2023 的要求，建立至少三層次的部署與營運控制機制：第一步，建立「部署前驗證機制」，在正式上線前進行邊界測試、壓力測試與偏見評估，確保模型符合預設的性能指標與公平性要求。第二步，建立「持續監控框架」，定期檢測模型資料漂移（Data Drift）與概念漂移（Concept Drift），並設定警示閾值，當模型表現低於預設基準時觸發人工審查。第三步，建立「應變與回滾機制」，當監控發現異常時，企業必須具備迅速切換至安全模式或回滾至前一穩定版本的能力。根據 NIST AI RTO（AI 韌性與可靠性）框架的指引，這些步驟確保了 AI 系統在面對未知場景時的韌性，降低因模型失效導致的營運中斷風險。

台灣企業在導入 AI 部署與營運時面臨三項主要挑戰。首先是「法規合規的模糊性」，台灣目前尚無專屬 AI 治理法規，企業難以界定具體合規門檻，建議參考 EU AI Act 的風險分級概念進行內部治理設計。其次是「技術人才與資源的集中化問題」，AI 營運需要具備 DevOps 與 Data Science 雙重技能的人才，中小企業難以同時招募，建議採用雲端平台（如 Azure Machine Learning 或 AWS SageMaker）的託管服務以降低門檻。第三是「資料治理與隱私保護的衝突」，部署時需處理真實用戶資料，違反台灣個資法（第 1900 條至第 1906 條）風險極高。對策應包括導入聯邦學習（Federated Learning）或差異隱私（Differential Privacy）技術，並建立嚴格的資料存取控制與存檔機制，確保部署過程符合台灣個資法要求。

Deployment and Operation 直接對應以下國際標準與法規：ISO/IEC 42001:2023 是目前最完整的 AI 管理系統標準，第 8.4 至 8.6 條明確規範了部署、營運與監控的要求。EU AI Act（歐盟人工智慧法案）將 AI 系統依風險等級分類，高風險 AI 系統在部署前必須完成符合性評估，並在部署後持續進行風險評估與記錄保存。NIST AI RTO（AI Resilience, Trustworthiness, and Ethical Measures）提供了部署時的技術指引，強調系統在異常情境下的韌性要求。此外，ISO/IEC 23894 是 AI 風險管理的操作性標準，為部署階段的風險評估提供了系統性方法論。這些標準共同構成了 AI 系統從實驗室走向市場的治理基礎。