多源人工智慧計分卡表

多源人工智慧計分卡表（MAST）是一套結構化的評估工具，源自美國情報界（U.S. Intelligence Community）為確保分析品質所制定的行業標準。其核心定義為一個檢查清單，旨在系統性地評估人工智慧決策支援系統（AI-DSS）的可信賴度。MAST的評估維度涵蓋資料來源的多樣性、演算法的透明度、模型的穩健性及人機互動的有效性等。在風險管理體系中，MAST扮演著「技術盡職調查」工具的角色，其原則與NIST AI風險管理框架（AI RMF）中的「衡量（Measure）」功能高度契合，兩者都強調對AI系統進行持續的測試、評估與監控。此外，它也支持了ISO/IEC 42001中對於AI系統影響評估與生命週期風險管理的要求。相較於一般性的AI倫理原則，MAST提供了一套可操作、可評分的具體指標，使「可信賴AI」從抽象概念轉化為可量化的管理目標，有助於企業在採購或開發AI系統時進行更客觀的風險評估。

企業可透過以下步驟將MAST整合至AI風險管理流程中： 1. **客製化與基準設定**：首先，企業需根據自身業務情境（如金融風控、供應鏈預測）與合規要求（如GDPR、台灣個資法），將MAST的通用指標客製化為內部評分標準。例如，針對涉及個資的AI系統，應增加對演算法偏誤與隱私保護技術的權重，並設定各項目的最低允收分數。 2. **系統生命週期評估**：在AI系統的採購、開發、部署至退役的整個生命週期中，定期使用客製化的MAST進行評估。在採購階段，可用於比較不同供應商的方案；在開發階段，可作為設計審查的依據；在部署後，則用於持續監控系統表現與風險變化。 3. **風險儀表板與改善追蹤**：將MAST評分結果整合至企業的風險管理儀表板，以視覺化方式呈現各AI系統的風險等級。對於低分項目，應立即啟動風險應對計畫，指派負責人並追蹤改善進度。透過這種方式，一家跨國製造業導入MAST後，其內部AI專案的合規審計通過率從65%提升至90%，因為MAST提供了清晰、標準化的盡職調查證據，大幅縮短了審計溝通時間。

台灣企業導入MAST時，主要面臨三大挑戰： 1. **標準本地化困難**：MAST源於美國情報界標準，其情境與台灣產業及法規環境（如《個人資料保護法》、金融監理規範）存在差異。直接套用可能導致評估失焦。對策是成立由法務、資訊、風控及業務單位組成的跨職能AI治理委員會，共同將MAST指標轉化為符合台灣法規與商業邏輯的內部標準，預計時程約需3個月。 2. **資料品質與整合不足**：MAST強調「多源」評估，但許多企業內部資料孤島現象嚴重，資料品質參差不齊，難以支持全面的AI模型驗證。解決方案是優先推動資料治理專案，建立統一的資料標準與數據中台，確保AI系統能存取高品質、多樣化的數據源。此為長期工程，初期可從單一高價值應用場景開始試點。 3. **缺乏跨領域專業人才**：執行MAST評估需要同時具備AI技術、風險管理與特定領域知識的複合型人才，此類專家在市場上相當稀缺。企業應對此進行內部培訓，並與外部專業顧問（如積穗科研）合作，透過「做中學」的方式培養內部種子部隊，建立可持續的AI評估能力。優先行動項目是針對高風險AI系統的團隊進行為期2個月的賦能訓練。

積穗科研股份有限公司專注台灣企業Multisource AI Scorecard Table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