以模型為中心的AI

「以模型為中心的AI」（Model-Centric AI, MCAI）是傳統機器學習的開發核心理念，其策略是在一個固定的、有限的資料集基礎上，透過不斷迭代與優化模型本身來提升系統性能。開發重點在於選擇更先進的演算法、調整模型架構（例如神經網路的層數與節點）、精調超參數（Hyperparameters），目標是為既有資料找到效能最佳的模型。此方法論直接對應國際AI風險管理標準的要求。例如，NIST發布的《AI風險管理框架》（AI RMF 1.0）中的「衡量（Measure）」與「管理（Manage）」功能，即強調對模型進行全面的測試、評估與監控。同樣地，ISO/IEC 23894《AI — 風險管理》也要求組織需識別、分析並處理源自AI模型本身的風險，如演算法偏見或穩健性不足。MCAI透過系統化的模型優化，正是實踐這些標準、確保AI系統可靠性的關鍵途徑，它與專注於改善資料品質的「以資料為中心的AI」（Data-Centric AI）形成對比。

在企業風險管理中，Model-Centric AI的應用旨在打造更精準、更穩健的風險預測模型。具體導入步驟如下： 1. **基準設定與指標定義**：首先，根據業務需求與合規要求（如金融業的公平待客原則），定義模型的成功指標（如詐欺偵測率、信用違約預測的AUC分數）與風險容忍度。此階段需明確模型的預期表現與限制。 2. **模型迭代與優化**：系統性地測試多種演算法（如邏輯回歸、梯度提升機、深度學習模型），並利用交叉驗證（Cross-Validation）評估其性能。接著，透過網格搜索（Grid Search）或貝葉斯優化等技術進行超參數調整，以最大化模型的預測能力。 3. **穩健性驗證與部署**：依據ISO/IEC TR 24028對AI可信賴性（Trustworthiness）的指引，對最終模型進行壓力測試與對抗性攻擊模擬，確保其在異常輸入下的穩定性。驗證通過後，將模型部署至生產環境，並建立持續監控機制。例如，台灣某金控公司透過此方法優化其反洗錢（AML）模型，將誤報率降低了15%，同時維持99%以上的高風險交易偵測率，顯著提升了合規審計通過率與營運效率。

台灣企業在導入Model-Centric AI時，主要面臨三大挑戰： 1. **高階演算法人才短缺**：缺乏能駕馭複雜模型架構與前沿優化技術的資料科學家。對策是採取混合策略，一方面與積穗科研等外部專業顧問合作，快速導入最佳實務；另一方面，建立內部培訓計畫與知識庫，逐步提升現有數據分析團隊的技能。優先行動項目應為針對高價值專案成立專案小組，以戰代訓，預期6個月內見效。 2. **運算資源成本高昂**：訓練先進模型（如大型語言模型）需要龐大的GPU運算資源，對中小企業構成財務壓力。解決方案是善用雲端運算平台（如AWS, GCP, Azure）提供的彈性AI服務，按需付費，避免鉅額的硬體前期投資。初期可從計算效率較高的模型（如XGBoost）著手，驗證商業價值後再擴展。 3. **與既有系統整合困難**：將現代化的AI模型嵌入老舊的IT基礎設施常遭遇技術瓶頸與數據孤島問題。應對之道是採用API（應用程式介面）作為橋樑，以服務化的方式進行整合，降低耦合度。企業應制定分階段的數據基礎設施現代化藍圖，優先打通關鍵數據流，預計在12個月內完成核心系統的初步整合。

積穗科研股份有限公司專注台灣企業Model-Centric AI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