面向人工智慧的資料治理框架與策略觀點
睿耀數據顧問有限公司(RVISION DATA) 副總經理
開南大學資管系 兼任助理教授
健行科技大學資管系 兼任助理教授
一、AI 世代彰顯資料治理的必要性
進入 AI 世代後，資料治理的角色則由「倉儲管理員」升級為「供應鏈調度主管」。治理的對象不再只是靜態保存的資料，而是從資料取得、整理、訓練與檢索，到模型推論、系統輸出及業務應用的完整價值鏈。企業不只要確保每個環節使用正確的資料，還要掌握上下游依賴、版本變更與風險傳遞，在資料、模型或輸出發生異常時，及時調整流程、限制使用或啟動應變。這代表資料治理已從後端的資產管理，提升為協調資料與 AI 應用價值鏈、保障營運品質及管理風險的核心能力。
二、現代資料治理的主要議題
1. 資料可用性與資料品質
AI 模型需要與業務問題相關、來源清楚、品質可評估且使用權限明確的資料。治理重心因此可由「事後盤點」逐步擴展為「持續偵測與改善」，例如自動辨識缺漏、重複、異常值與標註不一致，持續比對資料品質規則，並針對關鍵資料集設定時效、完整性、準確性與可用性門檻。在企業內部資料可用性與共享方面，企業可整合語意層及本體論技術，讓使用者與 AI 系統能以較貼近業務語言的方式探索、查詢及分析。
2. 倫理與信任議題
倫理與信任並非 AI 世代才出現；真正的變化，是治理對象從資料及既定業務規則，擴展到能夠學習、推論、生成內容並影響決策的 AI 系統。以下探討落實資料與模型治理常見的議題。
(1) 資料蒐集與使用的適當性
過去的治理重點，是確保資料蒐集具有明確目的、範圍符合必要性，後續使用也未超出原先告知或授權。AI 導入後，同一份資料可能被進一步用於模型訓練、微調、檢索或推論，使用途、授權與刪除管理更加複雜。因此，企業除管理資料來源、權限與保存期限外，也應記錄資料被允許使用的 AI 情境、授權條件及下游衍生關係。
(2) 公平性與不歧視
過去的不公平多來自制度設計、人工判斷、資料取樣或明確的業務規則。AI 模型則可能從歷史資料及其特徵學習既有偏差，即使沒有直接使用敏感特徵，也可能對特定群體產生不利影響。企業應在模型導入前後持續進行資料代表性檢查、分群效能測試與公平性評估，並建立人工重新審視及申訴補救機制。
(3) 以人為中心與問責
過去的系統多由明確的業務主管、系統負責人或作業人員制定規則並承擔決策責任。AI 導入後，責任可能分散在資料提供者、模型供應商、開發者、部署單位與最終使用者之間，人工覆核也可能因設計不良而流於形式或徒增流程瓶頸。企業應明確界定各角色的責任、人工介入條件以及補救程序，確保最終責任仍能歸屬於具備權責的人員或組織。
(4) 可靠性與安全性
過去主要著重存取控制、程式測試、資料完整性、系統備援與災難復原。AI 系統還面臨到錯誤生成、資料或模型漂移、資料污染、提示注入及第三方模型失效等問題，當後續呼叫工具或觸發業務流程時，錯誤影響也可能進一步擴大。因此，企業應建立部署前測試、運行中監測、異常攔截、安全降級、版本回復及緊急停用等多層次控制機制。
3. AI 透明度與可解釋性
部分 AI 模型，特別是深度學習模型，其決策邏輯不易直接以規則完整呈現。從資料治理角度，透明度的基礎不只在於事後產生解釋，而在於能說明模型使用了哪些資料、資料如何處理、模型適用條件以及輸出如何被使用。企業可將資料脈絡、資料血緣、特徵定義、資料版本、模型版本、提示詞、評估結果及部署紀錄納入可追溯管理。可解釋人工智慧方法，例如 SHAP 與 LIME，可協助分析特定輸出與輸入特徵的關聯，但這類方法應搭配資料文件、模型文件與使用情境說明，避免將單一統計結果誤認為完整的決策理由。
4. AI 模型治理
最後要強調的是，AI 模型不是一次性導入的產品，而是會隨資料、環境、使用者行為與業務目標變化而需要持續管理的系統。企業可建立模型生命週期治理流程，涵蓋需求定義、資料準備、開發與驗證、風險評估、核准部署、效能與漂移監測、變更管理、事件處理及退場機制。模型治理宜採取風險分級，而非以單一管理邏輯套用所有模型，對提供內部資訊摘要或低影響建議的模型，可採較精簡的驗證與監測，但對於可能影響客戶權益、重要營運決策的模型，則應提高資料品質門檻、核准層級、人工覆核與事件通報要求。透過分級治理與動態監控，企業較能在創新速度與風險控制間取得平衡。
結語
資料治理並未因 AI 而過時，相反地，它正由後勤工作演進為支撐可信任 AI 的核心能力。台灣《人工智慧基本法》已於 2026 年公布施行，並要求政府在施行後兩年內完成相關法規制訂及改進。企業可將外部政策與法規變化視為持續觀察事項，但不宜只等待規範到位才啟動準備，更積極的做法，是建立現代化資料治理機制，以兼顧未來的合規要求與競爭力。