數位發展部公部門人工智慧應用參考手冊（草案）

人工智慧(AI)定義：模擬人類智能的電腦系統，能夠執行通常需要人類智能的任務，如視覺感知、語音識別、決策制定和語言翻譯等。

機器學習(Machine Learning)：AI的一個子領域，讓電腦系統能夠從數據中學習並改進，而無需明確編程。

深度學習(Deep Learning)：機器學習的一個子集，使用多層神經網絡來分析各種因素。

生成式AI：能夠創建新內容（如文字、圖像、音頻、代碼等）的AI系統，如ChatGPT、Midjourney等。

公部門AI應用範疇包括：提升行政效率、優化公共服務、協助決策分析、強化監管能力、促進創新發展等。

AI在公部門的應用可分為：內部行政管理、對外服務提供、政策制定與決策支援三大類。

公部門導入AI的目標：提升服務效率、降低行政成本、增進決策品質、促進資料驅動治理。

公部門AI應用應特別注重：公平性、透明度、隱私保護、資訊安全、問責機制等倫理原則。

AI導入前評估應考量：問題定義明確性、資料可用性與品質、技術可行性、成本效益分析、風險評估等因素。

問題定義：明確界定欲解決的問題，確認AI是否為最適合的解決方案，避免盲目導入AI技術。

資料評估：評估現有資料的數量、品質、格式、取得難易度，以及是否符合AI模型訓練需求。

技術可行性評估：評估現有AI技術是否能有效解決問題，以及機關是否具備相應的技術能力。

成本效益分析：評估AI導入的成本（包括硬體、軟體、人力、時間等）與預期效益的比較。

AI導入模式可分為五種：自行開發、委外開發、購買現成服務、混合模式、開源模式。

自行開發模式：機關內部團隊自行開發AI系統，適合具備AI專業人才且需求高度客製化的機關。

委外開發模式：委託外部廠商開發AI系統，適合無內部AI專業人才但需求明確的機關。

購買現成服務模式：直接購買市場上現有的AI服務或產品，適合需求標準化且希望快速導入的機關。

混合模式：結合上述多種模式，如核心功能自行開發，輔助功能購買現成服務。

開源模式：利用開源AI工具或模型進行開發，適合預算有限但具備技術能力的機關。

AI專案流程包括：問題定義、資料準備、模型開發、系統整合、部署與監控、持續優化六大階段。

問題定義階段：明確界定問題範圍、目標與成功指標，評估AI是否為適當解決方案。

資料準備階段：資料收集、清理、標註、轉換，確保資料品質與數量符合AI模型訓練需求。

模型開發階段：選擇適當的AI演算法，進行模型訓練、驗證與測試，確保模型效能。

系統整合階段：將AI模型與現有系統整合，開發使用者介面，確保系統可用性。

部署與監控階段：將AI系統部署至實際環境，建立監控機制，確保系統穩定運作。

持續優化階段：根據使用者回饋與系統表現，持續改進AI模型與系統功能。

AI專案團隊核心角色包括：專案管理者、領域專家、資料科學家、AI工程師、系統工程師、使用者代表等。

專案管理者：負責專案整體規劃、協調與進度管理，確保專案如期完成。

領域專家：提供業務知識與需求，協助定義問題與評估解決方案。

資料科學家：負責資料分析、特徵工程、模型選擇與訓練等技術工作。

AI工程師：負責AI模型實作、優化與部署，確保模型效能與穩定性。

系統工程師：負責系統架構設計、整合與維護，確保AI系統與現有系統順利整合。

AI專案風險管理應涵蓋：技術風險、資料風險、倫理風險、法規風險、營運風險等面向。

技術風險：包括模型效能不佳、系統穩定性問題、技術選擇不當等風險。

資料風險：包括資料品質不佳、資料偏誤、資料隱私洩漏等風險。

倫理風險：包括決策偏誤、歧視問題、透明度不足等風險。

法規風險：包括違反個資法、著作權法、行政程序法等法規風險。

風險管理流程：風險識別、風險評估、風險應對、風險監控四個步驟。

AI專案資料治理重點：資料品質管理、資料隱私保護、資料安全管理、資料生命週期管理。

資料品質管理：確保資料的準確性、完整性、一致性、時效性，避免「垃圾進，垃圾出」的問題。

資料隱私保護：遵循個資法等相關法規，採取去識別化、最小化蒐集等措施保護個人資料。

資料安全管理：建立資料存取控制、加密機制、稽核追蹤等措施，防止資料洩漏或濫用。

資料生命週期管理：規劃資料從蒐集、處理、使用到銷毀的完整流程，確保合規與效率。

AI倫理原則：公平性、透明度、隱私保護、安全可靠、問責機制、人類自主性等。

AI治理框架：包括政策制定、組織架構、風險管理、監督機制、教育訓練等面向。

公部門AI治理特殊考量：公共利益優先、程序正義、民主參與、弱勢保護等。

AI決策透明度：確保AI決策過程可解釋、可追溯，並提供適當的人工審核機制。

AI系統問責機制：明確AI系統的責任歸屬，建立申訴與救濟管道。

AI系統績效評估指標：技術指標（如準確率、召回率）、業務指標（如效率提升、成本降低）、使用者指標（如滿意度、採用率）。

AI系統持續改進機制：定期評估、使用者回饋收集、模型再訓練、系統更新等。