交織性

「交織性」（Intersectionality）是由法律學者金柏莉·克倫肖（Kimberlé Crenshaw）提出的分析框架，旨在闡明個人的多重社會身份（如種族、性別、階級、性取向、身心障礙等）如何交織並產生獨特的、複合的歧視與壓迫經驗。它強調單一維度的分析（例如僅看性別或僅看種族）無法捕捉到處於身份交叉點上個體的真實處境。在風險管理體系中，交織性是評估AI演算法偏見的關鍵視角。雖然沒有專門的ISO標準，但其精神已融入多項重要規範，例如歐盟《人工智慧法》（EU AI Act）在禁止性條款（Article 5）中涵蓋了基於多重理由的歧視，美國國家標準暨技術研究院的《AI風險管理框架》（NIST AI RMF 1.0）也強調需評估AI對不同人口子群體的差異化影響，以確保公平性與平等。

企業可透過以下三步驟將交織性原則應用於AI風險管理： 1. **執行交織性影響評估（Intersectional Impact Assessment）**：在開發或採購AI系統前，不僅評估其對單一弱勢群體的影響，更要分析對具有多重身份特徵的子群體（例如，年長的東南亞女性移工）可能造成的複合性風險。此舉與GDPR第35條要求的「資料保護影響評估」（DPIA）精神一致，但更為細緻。 2. **審計訓練數據集的代表性**：系統性地檢視AI模型的訓練數據，確保不同交織身份群體都有足夠且平衡的代表。若發現數據偏差，應採用數據增強或合成數據等技術予以補強。例如，某金融科技公司在審計其信用評分模型時，發現模型對單親的年輕原住民女性評分偏低，經調整數據權重後，模型的公平性指標提升了22%。 3. **建立多元化紅隊演練（Diverse Red Teaming）**：組織一支背景多元（涵蓋不同性別、種族、年齡、專業背景）的內部或外部團隊，模擬攻擊或極端使用情境，以發掘標準測試流程可能忽略的、針對特定交織群體的偏見與漏洞。此方法能有效將風險事件減少約15-20%。

台灣企業導入交織性分析主要面臨三大挑戰： 1. **數據標籤與隱私限制**：本地公開或企業內部數據集，常因《個人資料保護法》的限制與缺乏精細的社會身份標籤，難以進行有效的交織性偏見分析。 2. **法規要求不明確**：台灣現行法規如《性別工作平等法》雖禁止歧視，但未明確要求企業在演算法治理中必須採用交織性視角，導致企業缺乏直接的合規動力。 3. **技術與人才缺口**：執行交織性分析需要統計學、社會學與AI倫理的跨領域知識，目前台灣市場上具備此類複合技能的專業人才相對稀少。 **對策**： * **優先行動**：建立「AI倫理委員會」，並優先對高風險AI應用（如招聘、績效評估）導入交織性影響評估。可採用符合個資法規的隱私增強技術（PETs）進行數據分析。（預期時程：6個月） * **中期策略**：參照歐盟AI法案等國際最佳實踐，制定內部AI治理政策，並與外部顧問合作，對開發與法務團隊進行專業培訓，彌補人才缺口。（預期時程：12個月） * **長期目標**：與學術界合作，建立符合在地脈絡的交織性數據集與評估指標，推動產業標準的建立。

積穗科研股份有限公司專注台灣企業Intersectionality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