代理歧視

代理歧視（Proxy Discrimination）是一種間接的演算法歧視形式，指決策模型並未使用如種族、性別等受法律保護的敏感特徵，卻採用了與這些特徵高度相關的「代理變數」（Proxy Variable），導致對特定群體產生不成比例的負面影響。例如，在信貸審核模型中使用「郵遞區號」作為變數，若特定郵遞區號的居民多為特定種族，可能導致該種族群體的信貸核准率偏低。此概念在NIST AI風險管理框架（AI RMF 1.0）中被視為重要的偏誤來源，要求機構識別並管理。它與「差別性影響」（Disparate Impact）密切相關，代理歧視是造成差別性影響的具體機制之一。在風險管理中，它屬於合規與營運風險，因其可能違反公平信貸或就業等反歧視法規，即使企業並無歧視意圖。

企業應對代理歧視的風險管理實踐，可遵循以下三步驟： 1. **風險識別與特徵分析**：在模型開發階段，利用統計方法（如相關性矩陣、變數群集分析）審查所有輸入特徵，識別與受保護特徵（如年齡、性別）高度相關的潛在代理變數。例如，分析「畢業學校」是否與特定社經背景高度關聯。 2. **偏誤量化與壓力測試**：模型部署前，採用公平性量化指標進行檢測。常見的「80%規則」可用於評估不同群體間的決策結果比例是否失衡。若女性求職者的模型推薦率僅為男性的60%，則可能存在代理歧視風險，需深入調查。此步驟需參照NIST AI RMF的「測試與評估」核心功能。 3. **緩解措施與持續監控**：一旦識別風險，可採取移除代理變數、對訓練數據進行重新加權、或採用公平性感知演算法等技術手段進行緩解。某跨國銀行曾因其信貸模型過度依賴特定消費數據，導致對女性核卡率偏低，經調整後，不僅提升了10%的合規審計通過率，也拓展了潛在客戶群。部署後應建立儀表板，持續監控公平性指標，確保模型表現穩定。

台灣企業在管理代理歧視風險時，主要面臨三大挑戰： 1. **法規定義模糊**：台灣《個人資料保護法》及相關法規對演算法歧視尚無明確規範，企業缺乏清晰的合規指引，難以界定何種程度的差異構成歧視。 2. **敏感資料取得困難**：基於個資法限制，企業通常無法直接取得種族、宗教等敏感特徵資料，這使得直接量化模型對不同群體的影響變得極具挑戰性。 3. **跨領域人才匱乏**：同時具備資料科學、法律合規與AI倫理知識的專業人才稀少，導致企業內部難以建立有效的風險評估與緩解機制。 **對策**： * **挑戰一對策**：主動參照國際標準，如NIST AI RMF或歐盟《人工智慧法案》草案，建立內部AI治理框架與倫理準則。**優先行動**：成立跨部門AI倫理委員會，於3個月內制定內部政策。 * **挑戰二對策**：採用隱私保護技術，如利用統計推斷方法或尋找與業務相關且風險較低的替代數據進行間接評估。**優先行動**：與外部專家合作，進行資料匿名化與偏誤評估方法學導入，時程約6個月。 * **挑戰三對策**：透過外部顧問進行內部培訓，並導入AIF360、Fairlearn等開源公平性工具庫，降低技術門檻。**優先行動**：舉辦為期2天的內部工作坊，建立基礎能力。