技術穩健性與安全性

「技術穩健性與安全性」是可信賴AI（Trustworthy AI）的核心原則之一，指AI系統在整個生命週期中，面對非預期輸入、惡意攻擊或壓力環境時，能展現出足夠的韌性（resilience），並將非預期傷害降至最低的能力。其內涵涵蓋四大面向：(1) 對抗性攻擊的韌性、(2) 錯誤處理與容錯能力、(3) 準確性（accuracy）與可靠性（reliability）、(4) 可再現性（reproducibility）。歐盟《人工智慧法案》（EU AI Act）第15條明確要求高風險AI系統必須具備技術穩健性，以應對系統生命週期中可能出現的風險。此概念與ISO/IEC TR 24028對AI可信賴性的闡述一致，並可透過NIST AI風險管理框架（AI RMF）進行評估與管理。它不僅是技術層面的要求，更是確保AI系統安全、公平並符合法規的基石，與純粹的資訊安全相比，它更關注AI模型本身在各種情境下的行為穩定性。

企業可透過以下三步驟將技術穩健性與安全性整合至風險管理流程： 1. **風險識別與威脅建模**：依據NIST AI RMF的指導，針對特定AI應用場景（如信貸審批、醫療影像分析），識別潛在的穩健性威脅，例如資料毒化（data poisoning）、模型規避（evasion attacks）等。利用STRIDE等威脅建模方法，評估這些威脅對業務的潛在衝擊，並將其納入企業風險清單。 2. **量化測試與驗證**：導入自動化的模型驗證工具（如Adversarial Robustness Toolbox），模擬對抗性攻擊並量化模型的防禦能力。根據ISO/IEC 23894對AI風險管理的要求，設定明確的驗收標準，例如，在資料雜訊增加20%的情境下，模型準確率下降不得超過5%。所有測試結果需留下完整紀錄，以備內部稽核與外部監管審查。 3. **持續監控與應變**：部署後，建立持續監控機制，追蹤模型的預測漂移（prediction drift）與資料分布變化。一旦關鍵效能指標（KPI）偏離基準線，應自動觸發警報並啟動應變計畫，例如模型降級使用或啟用備援的規則型系統。某金融機構透過此流程，使其AI反詐欺模型的誤報率降低了25%，並順利通過年度監管審計。

台灣企業導入技術穩健性與安全性主要面臨三大挑戰： 1. **缺乏標準化測試方法與人才**：多數企業仍依賴傳統軟體測試思維，缺乏針對AI模型的對抗性攻擊、紅隊演練（Red Teaming）等專業人才與標準化流程。對策：優先建立小規模的AI安全測試團隊，引進如NIST發布的對抗性機器學習分類法等國際框架，並利用開源工具（如ART）建立基礎測試能力。初期可與外部資安顧問合作，透過專案實作培養內部人才，預計6個月內建立初步測試流程。 2. **資料治理不成熟**：訓練資料的品質、多樣性與代表性不足，特別是缺乏邊界案例（edge cases），導致模型在真實世界中表現脆弱。對策：建立跨部門的資料治理委員會，制定資料品質標準。導入資料增強（Data Augmentation）與合成資料生成技術，以彌補真實資料的不足，並建立系統性的資料回饋迴路，持續優化訓練資料集。 3. **法規認知與開發流程脫節**：研發團隊對歐盟AI法案等國際法規的要求認知不足，常在開發後期才考慮穩健性，導致補救成本高昂。對策：成立由法遵、IT與業務組成的AI治理小組，將法規要求轉化為開發階段的具體設計規格（robustness-by-design）。優先行動為舉辦內部教育訓練，並對現有高風險AI專案進行差距分析，確保從設計初期就整合穩健性考量。