桑基圖

桑基圖是一種特定類型的流程圖，其特點是分支箭頭的寬度與其代表的流量（如數據量、資金、能源）成正比，能直觀地展示系統中各節點間的數量分佈與流動路徑。此圖表最初由愛爾蘭工程師Matthew Sankey於1898年用於分析蒸汽機效率。在現代風險管理中，桑基圖雖非由特定標準直接定義，但其應用與多項法規及框架高度相關。例如，企業可使用桑基圖繪製數據處理活動圖，以滿足GDPR第30條的記錄保存要求。在AI治理領域，它能具體呈現數據從蒐集、清洗到模型訓練的完整血緣關係，有助於追蹤與稽核偏誤來源，支持NIST AI風險管理框架（AI RMF）中的「追溯性」與「可解釋性」原則，並與ISO/IEC 42001對AI系統透明度的要求一致。它與一般流程圖的關鍵區別在於其量化呈現能力，能揭示流程中的瓶頸、損耗或主要影響路徑。

在企業AI風險管理中，桑基圖的應用提供了一種強大的視覺化分析方法，具體導入步驟如下： 1. **定義分析範疇**：首先界定要分析的AI流程，例如「AI信貸審批模型的數據流」或「客戶人臉辨識系統的風險傳播路徑」。明確起點、終點與所有中間節點。 2. **數據蒐集與量化**：識別並蒐集各節點間的流量數據。例如，在數據偏誤分析中，流量可以是不同客群（如性別、地區）的數據筆數；在風險分析中，可以是從各風險源頭傳導至不同業務衝擊點的量化風險值。 3. **繪製與解讀**：使用Python（如Plotly函式庫）、Tableau或Power BI等工具，將量化數據繪製成桑基圖。透過分析圖中流量的寬窄與走向，識別數據處理瓶頸、偏誤放大的環節或關鍵風險路徑。 **實際案例**：某金融科技公司開發AI招聘工具，利用桑基圖分析各階段篩選的應徵者數據流。圖表清晰顯示，來自特定學校的履歷在早期篩選階段被不成比例地大量淘汰，揭示了潛在的學歷偏誤。經調整演算法後，模型的公平性指標提升了25%，確保了合規性並降低了潛在的法律訴訟風險。

台灣企業在導入桑基圖進行AI治理時，普遍面臨以下三大挑戰： 1. **數據孤島與品質不一**：企業內部數據散落於不同部門的舊有系統（Legacy systems），格式與定義不統一，導致難以蒐集準確、完整的端到端流量數據，繪製出的桑基圖可能失真。 2. **缺乏複合型人才**：桑基圖的有效應用需要兼具業務流程理解、數據分析能力與視覺化工具操作技能的人才。多數企業缺乏能從複雜圖表中洞察AI倫理風險或合規缺口的專家。 3. **流程文件化不足**：許多AI應用的數據處理流程，特別是涉及跨部門協作的部分，缺乏清晰、標準化的文件紀錄。這使得定義桑基圖的節點與流量路徑變得極為困難。 **對策**： * **建立數據治理委員會**：成立跨部門小組，推動數據標準化與集中化管理（如建立數據中台），確保數據品質。優先行動：針對高風險AI應用（如涉及個資處理）進行數據盤點與流程梳理。預期時程：6個月。 * **導入BI工具並賦能員工**：採用使用者友善的商業智慧（BI）工具，並舉辦工作坊，培訓員工數據視覺化與風險解讀能力。 * **委託專業顧問協作**：與外部專家合作，快速完成業務流程分析（BPA），建立清晰的流程圖與數據地圖，作為繪製桑基圖的堅實基礎。