過程追蹤法

過程追蹤法（Process-Tracing Methods）是一種源於社會科學的定性研究方法，其核心目標是在特定案例中，透過深入檢視事件的時序、脈絡與關鍵節點，建立並驗證從「原因」到「結果」之間的因果機制鏈。它不僅僅是找出相關性，而是要回答「如何」與「為何」發生。在AI風險管理體系中，此方法是實現可追溯性（Traceability）與可解釋性（Explainability）的關鍵工具。雖然非由特定ISO標準所定義，但其應用是滿足多項法規要求的基礎，例如歐盟《人工智慧法》（AI Act）第12條對高風險AI系統的日誌記錄（Logging）要求，目的即是為了事後能追蹤系統的運作過程。相較於依賴大數據找出統計規律的定量分析，過程追蹤法專注於單一或少量案例的深度因果推論，對於AI系統的異常事件調查、模型偏誤的根本原因分析（Root Cause Analysis）至關重要，其嚴謹性與深度遠超傳統的事件檢討會議。

在企業AI風險管理中，過程追蹤法可系統化地應用於高風險AI系統的事件調查與合規性驗證。導入步驟如下：第一步「界定因果謎題」，明確定義要調查的事件，例如：「為何我們的AI信貸審批模型在第三季對特定族群的拒絕率異常升高？」第二步「建立因果機制假說」，提出可能的解釋鏈，例如：「新上線的數據源中某個變數成為該族群的代理變數，導致模型產生偏誤。」第三步「蒐集因果過程觀察證據（Causal Process Observations）」，依據歐盟AI法第12條的日誌記錄要求，蒐集模型訓練紀錄、數據版本控制、特徵工程腳本、模型決策日誌等。第四步「證據評估與推論」，檢驗證據是否支持假說，例如確認該變數的引入時間點與拒絕率升高時間點一致。某歐洲金融機構即利用此方法，成功追溯其演算法交易系統的異常行為，將根本原因定位到一個特定的市場數據API更新，從而將合規審計通過率提升了15%，並將類似事件的平均解決時間（MTTR）縮短了40%。

台灣企業導入過程追蹤法主要面臨三大挑戰。第一，「數據與日誌基礎建設不足」：許多企業缺乏對AI開發與維運生命週期的完整、結構化日誌記錄，導致事後追蹤缺乏證據。對策是依據ISO/IEC 27001的A.12.4「日誌與監控」控制項，建立標準化的日誌管理政策，優先針對高風險AI系統導入不可變的（immutable）日誌儲存機制，預計時程3-6個月。第二，「跨領域人才斷層」：此方法需要結合數據科學、法規知識與質性分析能力的複合型人才，在台灣相對稀缺。對策是成立由資料科學家、法務合規人員、領域專家組成的跨職能「AI倫理與事件應變小組」，並定期舉辦內部工作坊進行培訓。第三，「缺乏究責不究人的組織文化」：有效的過程追蹤需要一個鼓勵透明、無懼揭露問題的「公正文化」（Just Culture），但許多企業仍偏向追究個人責任。對策是由高階管理層倡導並建立無責備的事件檢討（Blameless Postmortem）流程，將焦點從「誰犯錯」轉移到「系統哪個環節能改進」，並將改善措施納入績效指標。