公平性影響評估

Equity Impact Assessment（公平性影響評估）是指在AI系統部署前或運行中，系統性地識別、評估並管理其對不同人口統計群體（如種族、性別、年齡、身心障礙狀況等）可能產生的不均衡影響的過程。其起源於20世紀60年代美國民權運動後在公共政策領域的應用，近年被納入AI治理框架。根據NIST AI RTO框架（AI Risk Management Framework, 2023）及ISO/IEC 42001:2023第6.1.2條的風險評估要求，AI系統的風險管理必須涵蓋「公平性」維度。這與傳統風險評估不同之處在於，它不僅關注系統的技術準確性，更關注其社會性後果。在法律層面，歐盟AI Act（2024年正式通過）將高風險AI系統的偏見評估列為強制性合規要求，要求開發者在系統上市前進行嚴格的公平性測試。台灣個資法第20條關於處理敏感個資的限制，也間接要求企業在設計AI處理機制時，必須預先評估是否會對特定敏感群體造成歧視性後果。因此，Equity Impact Assessment已成為AI治理中不可或缺的風險管理工具。

企業導入Equity Impact Assessment通常遵循以下三個具體步驟：第一步，定義受影響群體與評估指標。企業應參照NIST AI RTO框架中的「治理」與「管理」功能，建立多元化的指標體系，例如在招聘AI中設定性別均衡指標、在信貸AI中設定族群公平性指標。第二步，執行差異性分析與壓力測試。企業需使用統計方法（如Disparate Impact Ratio，參照美國EEOC EEOC v. U.S. Postal Service案中提及的80%規則）檢測AI模型對保護類別群體的選擇率差異。第三步，設計與驗證緩解措施。當發現潛在偏見時，企業應依ISO/IEC 42001第8.4條要求進行風險處理，包括重新訓練模型、調整訓練數據均衡性或設置人工覆核機制。例如，若信貸AI對特定郵政編碼區域的拒絕率異常偏高，企業應依據此發現調整模型權重或增加人工審核環節。這些步驟需有完整的文件記錄，以應對監管機構的稽核要求。

台灣企業在導入Equity Impact Assessment時面臨三項主要挑戰。第一，數據稀缺性挑戰。台灣人口結構相對單一，企業難以獲取具代表性的多族群訓練數據，導致公平性指標缺乏基準。解決方案是採用合成數據技術或與學術機構合作建立多元化基準數據集。第二，法規解讀模糊。台灣個資法第20條及第27條雖規定敏感個資處理限制，但未明確AI公平性評估的操作細節。企業應參考EU AI Act第9條的風險管理要求作為內部標準，並主動向主管機關諮詢合規路徑。第三，技術人才短缺。AI治理需要同時具備數據科學與法律合規知識的複合型人才。企業應建立跨部門AI治理委員會，由法務、資訊安全、資料科學團隊共同參與。建議企業在2025年前完成第一輪AI系統盤點，優先針對高風險應用場景（如自動化決策、員工績效評估）進行評估，並建立至少三年的監測機制，以符合國際趨勢與客戶要求。

Equity Impact Assessment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，其第6.1.2條明確要求組織進行AI風險評估，其中公平性是核心風險維度。NIST AI RTO框架（2023年版）提供了AI風險管理的系統性方法論，強調「可信賴AI」的四大要素之一即是公平性。EU AI Act（2024年）將AI系統分為不可接受風險、高風險、有限風險與最低風險四級，高風險AI系統（如教育、就業、信用評等）強制要求進行符合性評估，其中公平性影響是核心評估項目。此外，GDPR第22條關於自動化決策的規定，也要求企業確保AI決策不因歧視性因素而對個人造成法律上的重大影響。台灣企業若有歐盟客戶或業務涉及歐盟市場，必須將這些國際標準納入AI治理框架。