費雪資訊

費雪資訊（Fisher Information）由統計學家羅納德·費雪（Ronald Fisher）提出，是衡量觀測數據中包含多少關於未知模型參數資訊的量。其數學定義為「對數概似函數（log-likelihood function）梯度之變異數」。費雪資訊的值越大，代表數據提供的資訊越多，參數估計的變異數就能達到越小的理論下限，此下限即為「克拉默-拉奧下界（Cramér–Rao lower bound）」，意味著估計結果越精確。雖然ISO/IEC標準未直接命名此術語，但其概念是AI模型「穩健性（robustness）」與「可靠性（reliability）」評估的基礎，這些是 **ISO/IEC TR 24028:2020**（AI系統可信賴性概覽）與 **NIST AI風險管理框架（AI 100-1）** 的核心要求。在風險管理體系中，它被用來量化模型對輸入數據微小擾動的敏感度，是評估AI系統對抗性攻擊脆弱性的關鍵工具，與衡量整體不確定性的「夏農熵（Shannon Entropy）」有所區別。

在企業風險管理中，費雪資訊主要應用於評估與強化AI模型的穩健性，具體導入步驟如下： 1. **模型參數化與風險識別**：首先，確定需評估的AI模型（如信用評分模型）及其關鍵參數（如神經網路權重）。識別與這些參數相關的潛在風險，例如因數據漂移或惡意攻擊導致的預測錯誤。 2. **計算費雪資訊矩陣（FIM）**：根據模型的機率分佈，計算其對數概似函數對參數的二階偏導數期望值，得到FIM。此矩陣揭示了模型的「敏感帶」，即哪些參數或輸入特徵的微小變動會對模型輸出造成最大影響。 3. **穩健性強化與驗證**：利用FIM的分析結果，對模型進行優化。例如，在模型訓練過程中加入一個懲罰項（regularization term）來限制費雪資訊的大小，從而降低模型對抗性擾動的敏感度。完成後，需進行壓力測試以驗證模型穩健性是否提升。 一家金融科技公司在開發詐欺偵測模型時，透過此方法識別出最易受攻擊的交易特徵，並進行模型強化，使其在模擬對抗性攻擊下的誤判率降低了20%，確保了系統的可靠性，符合 **ISO/IEC 23894:2023** 對AI風險管理的要求。

台灣企業導入費雪資訊進行AI風險管理時，主要面臨三大挑戰： 1. **跨領域人才短缺**：此技術要求人員同時具備高等統計學、資訊理論與AI模型開發的知識，台灣市場上符合條件的專家稀少。 2. **計算成本高昂**：對於擁有數百萬甚至數十億參數的現代深度學習模型，計算完整的費雪資訊矩陣（FIM）需要巨大的計算資源與時間，對多數非科技巨頭的企業構成進入障礙。 3. **缺乏法規明確指引**：目前台灣的金融監理或個資保護法規，尚未對AI模型的穩健性提出具體的量化指標要求（如基於費雪資訊的度量），企業缺乏導入此類進階技術的直接合規動力。 **對策與行動項目**： * **人才**：與外部專業顧問合作，進行為期3個月的內部工作坊與概念驗證（PoC）專案，培養內部種子團隊。**優先行動**：啟動小規模PoC專案。 * **成本**：採用近似計算方法，如僅計算FIM的對角線元素或使用K-FAC等開源函式庫，在90%的精度下將計算成本降低至原來的10%以下。**優先行動**：技術團隊進行近似演算法的效能評估。 * **法規**：主動參考 **NIST AI RMF** 與歐盟AI法案，將穩健性量化指標納入內部AI治理政策，提前佈局，建立市場信任與競爭優勢。**優先行動**：在6個月內制定內部AI穩健性測試標準。