品質屬性

「品質屬性」是一組可測量的特徵，用於描述系統執行其功能的「程度」或「方式」，而非其「功能」本身，故又稱非功能性需求。此概念源於軟體工程，並由國際標準ISO/IEC 25010:2011（SQuaRE）進行系統化定義，涵蓋八大特性：功能適合性、效能效率、相容性、可用性、可靠性、安全性、維護性及可攜性。在AI風險管理體系中，品質屬性是設定風險指標與控制目標的基礎。例如，一個AI系統的「可靠性」不足，可能導致決策錯誤，引發營運與合規風險。近年，隨著AI發展，NIST AI風險管理框架更將公平性（Fairness）、可解釋性（Explainability）與韌性（Resilience）等納入關鍵品質屬性，以應對AI獨有的倫理與社會風險。

企業可透過三步驟將品質屬性應用於AI風險管理。第一步「定義與盤點」，依據業務需求與法規（如GDPR），從ISO/IEC 25010或NIST AI RMF中選定關鍵屬性（如安全性、公平性），並設定量化允收標準（如個資加密成功率100%）。第二步「整合至開發週期」，在設計階段即導入隱私設計（Privacy by Design），並在測試階段執行偏誤檢測，確保公平性。第三步「持續監控與稽核」，系統上線後，利用監控工具追蹤模型表現，並定期稽核是否符合預設的品質標準。例如，台灣某金融機構在開發AI信貸模型時，將「公平性」作為核心品質屬性，透過演算法偏誤分析，成功將特定族群的授信拒絕率差異降低15%，不僅符合金管會的監理期望，也提升了模型的社會信譽與市場接受度。

台灣企業導入品質屬性面臨三大挑戰。首先，「資源與技術限制」，中小企業缺乏專職AI品質團隊與測試工具。其次，「衡量標準模糊」，對於公平性、可解釋性等新興屬性，內部缺乏統一的量化定義。第三，「資料治理不足」，歷史資料中潛藏的偏誤直接影響AI模型的可靠性與公平性。對策如下：針對資源限制，應導入NIST AI RMF等國際框架，並善用開源自動化工具（如AIF360）降低檢測成本。為解決標準模糊問題，應成立跨部門AI治理小組，在90天內共同定義符合業務情境的關鍵品質指標。針對資料問題，應優先強化資料治理，對核心AI專案進行資料血緣分析與偏誤檢核，從源頭提升品質。透過分階段導入，預計6個月內可見初步成效。

積穗科研股份有限公司專注台灣企業quality attributes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