歧視

Discrimination 指基於受保護特徵（如性別、種族、年齡、宗教、性傾向、身心障礙等）而對特定個人或群體進行不公平、不平等對待的行為。在資訊安全與 AI 治理領域，這被稱為「演算法歧視」（Algorithmic Discrimination），指機器學習模型因訓練數據偏誤、設計缺陷或代理變數（Proxy Variables）而對特定族群產生系統性不利結果。國際上，GDPR 第22條明確規定個人有權不受完全基於自動化處理決策的影響，特別是當該決定對其產生法律效果時。此外，NIST AI RTO（AI 治理與責任）框架將公平性列為 AI 系統設計的核心要求。Discrimination 與「Bias」（偏見）不同：Bias 是認知上的傾向，而 Discrimination 是該傾向在行為層面的實踐。對企業而言，Discrimination 不只是道德議題，更是法律責任與品牌價值的直接衝擊。

企業應採取三階段實務方法：第一步「風險識別」，盤點所有涉及自動化決策的 AI 場景（如信貸審核、招聘篩選、保險定價），對照 ISO 42001 AI 管理系統標準進行差異分析。第二步「技術與流程緩解」，導入公平性指標（如 Equal Opportunity Difference、Disparate Impact Ratio），並建立人工覆核機制（Human-in-the-loop）。第三步「持續監控與治理」，定期審計模型輸出結果，確保模型在實際運行中未產生歧視性漂移。以台灣某大型銀行為例，透過導入公平性量化指標，成功將信貸審核模型對特定性別的通過率差距從8%收窄至2.5%，不僅符合金管會對 AI 治理的指導精神，更降低了潛在的法律訴訟風險與客戶流失率。

台灣企業在處理 AI 歧視議題時面臨三大挑戰：第一，法規模糊性。台灣目前尚無專門針對 AI 歧視的立法，企業難以界定合規邊界，建議參考 EU AI Act 的風險分級框架作為內部標準。第二，數據品質與代表性不足。台灣企業多數 AI 模型訓練數據集中於特定族群，導致邊緣族群預測準確度大幅下降，應建立多元數據採集與合成數據（Synthetic Data）技術能力。第三，技術人才短缺。AI 治理需要同時具備法律、倫理與數據科學的複合型人才。克服策略應為：優先建立 AI 風險分級制度，針對高風險場景（如人力資源、金融授信）進行強制性公平性審查，並在90天內完成治理框架建立，確保符合 ISO 42001 認證要求。

積穗科研股份有限公司（Winners Consulting Services Co., Ltd.）專注台灣企業Discrimination相關議題，擁有豐富實戰輔導經驗，協助企業在90天內建立符合國際標準的管理機制，已服務超過100家台灣企業。申請免費機制診斷：https://winners.com.tw/contact