多義性

Polysemy（多義性）是指一個語詞在語言使用中存在多個相關意義的現象，例如「銀行」在中文中可指金融機構，亦可指河岸。在AI領域，當自然語言處理（NLP）模型面臨多義詞時，若語境解析不當，將導致意圖識別錯誤。根據ISO/IEC JTC 1/SC 42（人工智慧標準委員會）的AI治理框架，語義歧義是影響AI系統可信度（Trustworthiness）的核心風險因子。這與歧義性（Ambiguity）不同：歧義性是語意不明確，而多義性是語意過多。在AI風險管理體系中，多義性管理屬於資料品質與模型可解釋性的交叉領域，直接影響AI系統的公平性與透明度評估。企業需在AI生命週期管理中，針對多義性詞彙建立語義消歧（Word Sense Disambiguation）機制，以符合EU AI Act第13條對透明度的要求。

企業導入多義性管理需採取系統性步驟：第一步，建立多義詞典與語義邊界，定義AI應用場景中關鍵術語的標準釋義；第二步，設計語境感知的語義消歧演算法，確保模型在不同商業場景下解讀一致；第三步，建立人機協作的語義校正機制，處理高風險決策場景下的歧義判斷。以台灣某大型電信業者為例，其客服AI在處理「退訂」、「升級」、「延展」等多義詞時，若未建立語義邊界，將導致客戶誤解與法律爭議。導入此機制後，客戶意圖識別準確率可提升25%，客戶投訴率降低15%，同時符合台灣個資法第19條關於處理個人資料時需確保資訊正確性的要求。

台灣企業在AI治理中面臨三大挑戰：首先是「語言文化差異」，台灣繁體中文的語義習慣與大陸簡體中文存在顯著差異，直接套用大陸訓練模型會導致台灣本地業務誤判；其次是「中小企業資源不足」，多數企業無法自行開發語義消歧模型，依賴商業API卻無法客製化語境；第三是「法規合規壓力」，EU AI Act與台灣AI基本法草案均強調AI系統的透明度與可解釋性，多義性未處理將成為合規漏洞。建議採取三階段克服策略：短期內採用預訓練模型（如BERT、GPT系列）搭配領域特定語料進行微調（Fine-tuning）；中期建立企業專屬語義知識圖譜（Knowledge Graph）；長期則需建立跨部門的AI治理委員會，確保AI系統在部署前完成語義一致性審查，預估導入後AI治理合規率可提升40%。