2021.11.29 - 「AI發展與資料治理」工作坊
===
###### tags: `會議`
###### tags: `會議`, `講座`

<br>

[TOC]

<br>

## [講座內容](https://seminars.tca.org.tw/D15o00753.aspx)

- 線上報到：https://reurl.cc/Zj5mYA
- 第一堂(11/26)：https://youtu.be/KdEVxo4sogE
- 第二堂(11/29)：https://youtu.be/Hr9nI7_PvLE
- 線上 Q&A：https://app.sli.do/event/1xvqafeo/

<br>

## 會議場次
- 14:05 - 14:50 [工智慧與社會發展的交互影響 : 從法律與規範談起](#第一場-人工智慧與社會發展的交互影響--從法律與規範談起)
清華大學科技法律研究所 | 林勤富 副教授
- 14:50 - 15:20 [各國人工智慧治理政策與啟發](#第二場-各國人工智慧治理政策與啟發)
工研院產科國際所 | 魏依玲 資深研究經理
- 15:20 - 15:50 [從資料治理著手實踐可信任之AI](#第三場-從資料治理著手實踐可信任之AI)
資策會科技法律研究所 | 張腕純 專案經理

<br>

<hr>
<hr>

<br>

## 「AI發展與資料治理」重點摘要
### 前言
- **原因**：資料應用方面產生疑慮
- 資料隱私外洩
- 資料本身偏見、或帶有的歧視
- **對策**：建立 AI 治理與規範

### [第一場] 人工智慧與社會發展的交互影響 : 從法律與規範談起
- ### 資料本身偏見＆歧視
- ==**履歷投放的機器學習**==
- **現象**：
- 高階位置的主管，常常是男性佔據
- 低階的助理職，大部份是女性佔據
(反應社會中不公平的現場）
- **機器學習結果**：
如果有高階主管的工作，要投放給男性，比較容易應徵到人
- **評語**：
會強化、或重複社會當中既有的偏見
<br>
- ==**機器學習在法律的判決**==
- **推論**：被告或嫌疑人再犯的可能性高不高
- **評語**：
- 既有的數據，反應社會的不公平
- 過往的數據，會受到 非美國人、其他特定族群、原住民、低收入者 等因素而影響判決
- **新聞**：
[「AI 法官」人權案判決準確率高達 79%，但還是只夠當助手](https://www.inside.com.tw/article/7479-ai-can-now-judges-some-of-the-human-rights-cases)
<br>
- ==**地區警力分配的機器學習**==
- **現象**：
- 美國一些地方，會有過度執法、偏見執法的問題
- 可能對於特定族群、特定社區會有不當執法、過度執法問題、找麻煩
- **機器學習結果**：
訓練未來警力如何分配的系統，會優先在過往熱點巡邏
- **評語**：
可能會讓歧視永遠存在，造成惡性循環

- ### 倫理規範要如何規範？
- **難以制定**
- 不同的國家、不同的背景、不同的文化，對特定議題有不同的解讀方式
- **為何？**
- [電車難題](https://zh.wikipedia.org/wiki/%E6%9C%89%E8%BD%A8%E7%94%B5%E8%BD%A6%E9%9A%BE%E9%A2%98)
- 全自動自駕車的難題：
- 汽車即將發生事故
- 往左撞、往右撞、往前撞？
- 犧牲別人？犧牲自己？
- 犧牲小孩？犧牲老人？
- 各國的倫理偏好不同
- Western: 偏好保護駕駛，而不是路人
- Eastern: 偏好保護守法的人、偏好保護路人
- Southern: 偏好保護年紀輕、社會地位高、女性、身材健美
- **全球治理挑戰：**
- 全球倫理規則都不太一樣，治理的角度相對破碎
- 各國文化/政治/社會/經濟背景多元、倫理準則百家爭鳴，難以規範模糊空間

<br>

<hr>
<hr>

<br>

## [第一場] 人工智慧與社會發展的交互影響 : 從法律與規範談起
> 清華大學科技法律研究所 | 林勤富 副教授
> 

:::success
:bulb: **KeyPoints**
- 介紹人工智慧歷史
- 高階位置的主管，常常是男性佔據
低階的助理職，大部份是女性佔據
反應社會中不公平的現場

機器學習的結果：
如果有高階主管的工作，要投放給男性，比較容易應徵到人
會強化、或重複社會當中既有的偏見

- 被告或嫌疑人再犯的可能性高不高
既有的數據，反應社會的不公平，
其他還有非美國人、其他特定族群、原住民、低收入者

需不需要新的法律倫理＆規則？

- 美國一些地方，會有過度執法、偏見執法的問題
可能對於特定族群、特定社區會有不當執法、過度執法問題、找麻煩
訓練未來警力如何分配的系統，優先在那巡邏
可能會讓歧視永遠存在，造成惡性循環

- 不同的國家、不同的背景、不同的文化，對特定議題有不同的解讀方式
倫理規範難以制定

- 電車難題：
全自動自駕車的難題：
往左、往右、往前？，犧牲別人、犧牲自己？ 犧牲老人？ 倫理道德問題

- Western: 偏好保護駕駛，而不是路人
Eastern: 偏好保護守法的人、偏好保護路人
Southern: 年紀輕、社會地位高、女性、身材健美
倫理規則都不太一樣
全球治理的角度相對破碎

- 全球治理挑戰：
各國文化/政治/社會/經濟背景多元、倫理準則百家爭鳴，難以規範模糊空間

:::







智慧助理


AI predicts outcomes of human rights trials
人工智慧預測人權審判的結果

警力巡邏熱點





電車難題：


撞孩童？撞老人？

撞守法的？撞沒帶安全帽的？

各大地區的倫理偏好：

<br>

<hr>
<hr>

<br>

## [第二場] 各國人工智慧治理政策與啟發
> 工研院產科國際所 | 魏依玲 資深研究經理

> 簡報大綱
> - 各國人工智慧治理政策與思維
> - 落實人工智慧倫理原則之範例
> - 各國經驗對我國之啟發




1. 技術層
2. 倫理層：道德標準、行為準則
3. 社會及法律層：規範、規則、立法

### Page 5: 各國人工智慧治理政策與思維

- 目前約有 60 個國家制定 AI 政策

- 倫理原則：
1. 尊重人類自決
2. 預防傷害
3. 公平性
4. 可解釋性










<br>

<hr>
<hr>

<br>

## [第三場] 從資料治理著手實踐可信任之AI
> 資策會科技法律研究所 | 張腕純 專案經理
> 

### 1. 可信任 AI 的核心與原則 - 國內與國際觀點





<br>

### 2. 資料與AI開發佈署之關係




<br>

### 3. AI 環境所需之資料治理與個資適法性議題






<br>

### 4. 資料治理案例與落實建議