聯邦式學習

聯邦式學習（Federated Learning）是一種分散式機器學習技術，由Google在2016年首次提出，旨在解決資料隱私與模型訓練的衝突。其核心定義為：在多個擁有本地資料的客戶端（如手機、醫院）上分別訓練機器學習模型，而無需將原始資料上傳至中央伺服器。各客戶端僅將加密或經過匿名化處理的模型更新參數（如梯度、權重）傳送至中央伺服器進行匯總，以更新全域共用模型。此作法符合歐盟《一般資料保護規則》（GDPR）第25條「設計與預設之資料保護」原則，以及台灣《個人資料保護法》第5條「目的必要性與比例原則」。在風險管理體系中，聯邦式學習被視為一種重要的「隱私增強技術」（Privacy-Enhancing Technology, PET），與傳統集中式學習（需匯集所有原始資料）相比，大幅降低了資料在傳輸與儲存過程中的洩漏風險，是建構符合ISO/IEC 27701（隱私資訊管理系統）要求之AI應用的關鍵技術。

聯邦式學習在企業風險管理中的應用，旨在兼顧數據協作與法規遵循。具體導入步驟如下： 1. **建立治理框架與目標定義**：確立跨部門或跨機構的合作目標（如聯合反詐欺、跨院區疾病預測），並依據ISO/IEC 38505制定數據治理規範，明確模型更新的格式與安全協議。 2. **部署本地端訓練環境**：在各資料持有方（如銀行分行、子公司）的本地伺服器部署模型訓練程式，確保原始資料不出地端（Data in situ）。 3. **建構安全聚合伺服器**：設置中央伺服器，其唯一功能是接收、驗證並聚合來自各方的模型更新參數。可採用同態加密（Homomorphic Encryption）或安全多方計算（Secure Multi-Party Computation）等技術，確保聚合過程的機密性。 4. **迭代優化與部署**：聚合後的全域模型會再次分發至各本地端進行下一輪訓練，此過程反覆進行直至模型收斂。台灣某金融控股公司即應用此模式，整合旗下銀行、保險、證券子公司的交易數據訓練反洗錢（AML）模型，在不違反金管會資料共享規範下，將可疑交易識別率提升了15%，並順利通過年度內部稽核。

台灣企業導入聯邦式學習主要面臨三大挑戰： 1. **法規解釋的模糊性**：儘管原始資料不出地端，但「模型更新參數」是否可能被逆向工程還原出個人資料，在台灣《個資法》中尚無明確界定，構成法遵風險。對策：導入前應執行「資料保護衝擊評估」（DPIA，參考ISO/IEC 29134），並在合作協議中明確各方責任，建議搭配差分隱私（Differential Privacy）技術，在模型更新中加入雜訊，降低個資識別風險。 2. **資料異質性與品質不均**：跨機構或部門的資料格式、標籤與品質（Non-IID data）差異極大，直接訓練可能導致全域模型效能低落或產生偏誤。對策：建立統一的資料治理委員會，在專案初期（前3個月）共同制定資料預處理與標準化流程，並採用如FedProx等能應對資料異質性的先進聚合演算法。 3. **技術整合與人才短缺**：整合既有IT架構、確保各節點的運算與通訊穩定性，技術門檻高，且兼具資安、AI與法規知識的專業人才難尋。對策：採用容器化技術（如Docker）簡化部署，初期可與具備跨領域整合經驗的顧問公司合作，透過概念性驗證（PoC）專案（約6個月）小規模試行，逐步培養內部團隊能力。