分佈外檢測（Out-of-Distribution Detection）

Out-of-Distribution (OOD) Detection 是指AI模型識別「訓練數據分佈之外」輸入樣本的能力。傳統AI模型假設測試數據與訓練數據同分布（IID假設），但現實中模型常遭遇分佈偏移（Distribution Shift）情境。當模型對OOD樣本給出高置信度的錯誤預測時，會產生「幻覺」或不可預測的風險行為。根據ISO 42001:2023第6.1.2條款，AI系統必須進行風險評估以識別潛在的危害情境，OOD偵測正是實現這一要求的技術基礎。與異常檢測（Anomaly Detection）不同，OOD專指針對訓練集之外的「未知未知」（unknown unknowns）進行識別，是確保AI系統可靠性的核心機制。在EU AI Act（歐盟人工智慧法案）框架下，高風險AI系統必須具備可追溯性與透明度，OOD偵測能提供輸入數據的合法性驗證，避免模型在未授權情境下運作。

實務應用可分為三個核心步驟：第一步，建立基準分佈（Baseline Distribution）並定義合法輸入範圍；第二步，部署偵測機制，如使用重建誤差（Reconstruction Error）或奇異值分解（SVD）等統計方法識別OOD樣本；第三步，設計拒絕處理流程（Refusal Protocol），當OOD風險超過閾值時，系統應觸發人工介入。以臺灣製造業導入AI視覺檢測為例，當生產線因光線變化或產品型號更新產生新樣態時，OOD偵測可防止模型以低風險評分誤判為合格品。量化效益方面，導入OOD偵測可降低AI誤報率（False Positive Rate）約30-50%，減少因模型失效導致的生產中斷風險。根據NIST AI RTO（AI可靠性、可信賴性與安全）指南建議，企業應將OOD偵測納入AI生命週期管理，並設定量化指標，如OOD召回率（Recall）需達到85%以上，方可滿足ISO 42001的風險控制要求。

臺灣企業導入OOD偵測主要面臨三個挑戰。首先是技術人才稀缺，臺灣製造業與金融業缺乏同時理解AI統計理論與業務風險的複合型人才，建議透過與專業顧問合作，以技術轉移方式快速建立能力。其次是計算資源限制，複雜的OOD偵測演算法（如生成式模型重建）會增加推論延遲，企業應優先採用輕量化統計方法，如Mahalanobis距離或Softmax不確定性估計。第三是法規合規壓力，臺灣《人工智慧基本法》草案強調AI應對社會負責任，企業需建立可稽覈的OOD判定紀錄。建議企業採取「先合規、後優化」策略：第一階段（0-6個月）建立基礎OOD監控指標；第二階段（6-12個月）整合至ISO 42001管理框架；第三階段（12個月後）導入持續學習機制，使模型能動態更新合法輸入定義。