水平資料分片

水平資料分片（Horizontal Data Partitioning）源自分散式資料庫與聯邦學習（Federated Learning）概念。其核心定義是將原始資料集依行（row）進行分割，每個參與節點持有完整的特徵欄位集，但僅擁有部分樣本。例如，十家銀行各自持有客戶交易紀錄，每家銀行只分享模型梯度而非原始交易資料。此技術在ISO/IEC 27701（隱私資訊管理系統）與NIST AI RTO（AI可靠性與透明度）框架下被視為隱私增強技術（Privacy-Enhancing Technology, PET）的核心手段。與垂直分片（Vertical Partitioning，依欄位分割）不同，水平分片適用於資料主體相同但資料量龐大的場景，如跨地區的客戶信用評分模型訓練。其風險管理意義在於降低單一節點資料外洩的衝擊範圍，並符合GDPR第25條「隱私設計」（Privacy by Design）的要求。

實務導入通常分為三個步驟：第一步，進行資料敏感度分級與資料字典定義，確認哪些欄位可作為聯邦學習的訓練特徵；第二步，部署聯邦學習框架（如FATE或PySyft）進行模型聚合，確保原始資料不出本地環境；第三步，建立模型梯度與原始資料的不可逆性驗證機制。以臺灣某大型電信業者為例，透過聯邦學習進行電信詐欺偵測，成功在不違反個資法第18條（敏感個資處理）的前提下，提升詐欺偵測準確率25%。量化效益方面，企業可降低資料外洩風險事件發生率約40%，並減少資料傳輸成本60%，同時通過ISO 27701合規審計的效率提升30%。

臺灣企業常見挑戰包括：第一，法規合規的灰色地帶。臺灣個資法對「匿名化」定義較嚴格，企業需先透過K-anonymity或差分隱私（Differential Privacy）驗證聯邦學習的梯度是否仍具個資識別風險。第二，技術人才稀缺。AI工程師同時需理解資料科學與隱私法規，建議透過跨域培訓或委外專業機構協助。第三，系統整合成本。現有ERP或CRM系統與聯邦學習框架整合需時較長。對策上，企業應優先採用成熟的開源框架（如FATE）進行POC驗證，並在導入初期以「低敏感欄位」做為試點，逐步擴大至高風險場景。建議導入時程規劃為：3個月概念驗證、6個月系統整合、12個月全面合規化。