參考安全的軟體開發生命周期、各國AI法案和多種AI標準後，KPMG認為，企業與組織若欲落實AI的風險治理，可以先從數據治理、雲端治理、資訊治理之後，再來做到AI治理，目的就是要做到利害關係者，願意相信演算法會做正確的決定。／KPMG

先做到數據、雲端、資訊的治理，才能做到AI治理

「慎始！」林大馗表示，所有的AI應用最重要的，就是剛開始要決定「範圍」，包括：科技應用情境與治理範圍。

然後做到「分析」科技應用責任後，再「識別」目標使用者應用的目的與情境，下一步，便可以「評估」AI應用情境與適法性風險。

後續須做到「數據治理」：評估數據品質風險，確認與正確，也須對相關AI應用進行「AI風險評估」；接著進行「資訊治理」：評估其他雲端服務與資訊設備面向衝擊，例如，所運用的演算法是否可能遭受其他攻擊，或是隱私保護缺陷等風險。

接著，進入「決定AI應用範圍與發展生命週期階段」，選擇演算法或第三方大型模型，並在AI設計過程「融入隱私與安全」，同時做到保存相關處理記錄，接下來還要進行「演算法調校與測試」：不僅要做到演算法效能與安全分析，還要測試數據深度學習，並且要確認演算法是否能夠滿足需求。

最後，在導入、部署與深度學習後，還是要做到「持續監控」與改善，並對使用者進行安全「教育訓練」、宣導與應用推廣，還可以視需求，進行「獨立確信與審驗」。

／KPMG

AI成駭客詐騙、偽冒身分利器，「眼見為憑」將不可信

對於企業和組織而言，又該如何架構AI資安防護呢？林大馗說，包括強化基礎網路架構韌性，以及打造多層次零信任架構（Zero Trust），這些都是可行的方法。

他進一步指出，目前AI已經可以做到的方式，包括：使用AI來訓練防禦系統，識別和防禦AI攻擊；也可以建構多層次網路安全措施，提高防禦AI攻擊的有效性。

另外，也要做到定期更新安全軟體和修補漏洞，減少AI攻擊的成功率；提高員工的安全意識，可以幫助員工識別和防禦AI攻擊。

對此，林大馗提出生成式AI遭網路犯罪集團濫用，提高虛擬犯罪效率的例子。

因為這些隱藏在網路背後的虛擬綁匪，已經能夠做到利用語音複製、SIM卡挾持、ChatGPT以及社群網路分析與傾向（SNAP）模型，尋找最有利可圖的目標並執行詐騙。

又或者這些網路犯罪份子都開始利用AI工具，建立層層自動化蒐集資訊、發掘魚叉式網路捕鯨，或以愛情詐騙手法攻擊高知名度受害者。他坦言，現在蓬勃發展的生成式AI，已經成為軍火庫，駭客能藉此發動各種網路攻擊、入侵，甚至，可以成功達到詐騙目的。

另外，也有駭客成功利用深偽技術（Deepfake）偽冒身分驗證。

他表示，現在的AI深偽變臉技術，已經可以製造出逼真的虛假影像和聲音，仿真度極高，加上AI變臉軟體還內建許多來自不同人種的臉部圖片，甚至連名人、明星照片也有，可以讓使用者自由選擇性別及種族。

他指出，這些遭到偽冒的深偽影像，就算從正面觀看，都可以做到以假亂真，很容易讓民眾誤判，以為偽冒者是被害者本人、檢警或名人。

當生成式AI做到以假亂真，林大馗指出，企業對網路基礎架構也會有縱深防禦要求，從企業組織內部的使用者開始，一直到要面對組織外的風險，在整個工作環境的範圍之內，都必須布建各種基礎的資安防護設備，目的就是要做到建構零信任網路架構，並且能夠即時進行漏洞更新修補。

林大馗表示，單靠基礎的資安防護設備，並不足以對抗這些生成式AI對企業、組織甚至是個人帶來的資安風險。

所以，我們還必須做到進階防禦強化的要求，例如在公開影片添加專屬雜湊值，或是安全憑證；或善用現階段機會，趁深偽技術存在未能完整學習受複製對象側面的技術缺陷，可要求以生物認證方式來識別對象，左右轉頭90度並維持一小段時間，因為如果是利用深偽技術所偽造的影片，可能會產生人臉閃爍的情況。

以其他作法而言，我們可擴大運用「MFA多因子認證」，要求使用者必須通過兩種以上的身分認證機制，之後才能取得授權。

另外，可以採用零信任「永不信任、總是驗證」的資訊架構，包含以每個連線為基礎，評估每個資源請求者的存取要求等機制，避免使用一次性驗證後，就可以長時間與完全取用所有服務的傳統做法。

甚至，我們要能夠讓使用者建立「眼見不為憑」的警覺，讓一般民眾能夠充分理解到：過去習慣的「有圖有真相」的心態，已經到了必須改變的時候，不然，這就可能淪為一種「看片都上當」的習性。

為了架構足以因應AI資安風險，臺灣KPMG安侯企管顧問執行副總經理林大馗表示，企業必須打造基礎網路架構的韌性，從內部使用者到面對組織外的環境，都必須建構具備零信任的網路縱深防禦，並做到即時漏洞更新。／KPMG

利用3種方式提升AI方案的可信任度

為了成功推行人工智慧（AI），組織與社會必須能夠相信AI會做出正確的決策，而且AI不會做出錯誤的決定，KPMG目前提出名為「人工智慧風險控制與管理」的框架。

這個框架包含3種促進人工智慧解決方案取得信任的方法，希望透過提升演算法的信任，讓「生成式AI」可以提升到「生產力AI」。

林大馗指出，這些方式分成：（1）與其他決策方法∕模型來做結果比對；（2）介入理解與驗證人工智慧模型；以及（3）於可控的環境中發展人工智慧解決方案。

他也進一步解釋，舉例說明3種方式可能面臨的結果。

若以（1）與其他決策方法∕模型來比對結果，可能面臨下列幾種情形，例如：其他可靠的決策方法或許不存在；更換模型或開發替代方案，並非總是可行的；如果有其他決策來源，為何還需要發展人工智慧解決方案？

若採用（2）介入理解與驗證人工智慧模型的方法，也可能面對模型或許過於複雜，以至於人類無法予以解釋或理解。因為模型本身使用深度神經網路（Deep Neural Networks），眾所皆知，這項技術的運作原理很難解釋。

如果是採用（3）在可控的環境中發展人工智慧解決方案，同樣會面臨挑戰。例如，於安全的環境中，技術人員使用嚴謹的方法論，並不能保證品質結果；在資料科學領域中，使用較嚴謹的方法，與AI領域常用的敏捷與較前瞻的方法，可能有所違背。

林大馗坦言，無論用何種方式提高AI解決方案的信任度，但實際上，都有其限制。

對此，KPMG發展出一套「人工智慧風險控制與管理的治理框架」，期盼協助組織與企業利用上述三種方法，定義出最優良的控制措施組合。

為了成功推行人工智慧，組織與社會必須能相信它會做出正確的決策，並且不做出錯誤的決定。KPMG為此提出「人工智慧風險控制與管理」框架，期盼透過三種方法的運用，促使人工智慧解決方案的發展與應用能夠得到更大的信任。／KPMG

落實AI資安整備度之餘，也必須培養AI治理團隊

面對AI甚至是生成式AI的日益發展，組織、企業甚至是個人是否都已經做好足夠準備？面對AI時代的來臨，又該進行何種前瞻的資安布局呢？

林大馗認為，所有的組織和企業應該要做到AI資安整備度分析，以及培養AI治理團隊智識與人才地圖。

在AI資安整備度分析方面，我們可以從五個面向來看，包括：人才投入、研發與市場經營、生態鏈合作、基礎建設、法規。

先從人才投入的面向來看，企業與組織要能夠做到外部機構的AI資安協同合作、AI安全開發，以及使用AI解決方案的宣導活動，以及制定AI安全性的指引與實務守則。

而從研發與市場經營的面向來看，企業須提高對AI安全能力的必要資源投入、制定國家對AI發展的限制與安全規範，落實相關規範與監控機制。

針對生態鏈合作的面向，包括AI的API管理、數據品質、資料交換安全、開放資料（Open-Data）治理等，需要處理的內容包括：

●    AI事件通報與處理

●    AI威脅、漏洞和安全控制情資

●    如何和外部機構合作，有效處理AI相關事件

●    定義∕開發∕使用特定的網路安全度量或指標

●    監控AI系統生命周期中的安全水平

●    要求AI利益相關者進行動態風險評估

●  對違反數據和模型完整性進行制裁

關於基礎建設面向中，像是數據、演算法、通訊等，都包含在內，要處理的對象，則包括：監控開發人員、關鍵基礎設施廠商等AI利害關係者，都要採取合宜的安全控制措施，以及定義AI利害關係者的安全控制措施。

最後的法規面向，涵蓋AI道德規範、AI標準、AI與數據治理相關法規，例如歐盟人工智慧法案（AI Act），以及歐盟個資法GDPR等。因此，我們要處理的內容，包括：法規盤點與風險識別；監控AI資料集的完整性和品質；並建立認證或評估機制，以評估AI系統安全。

要能夠推廣和應用AI，企業在AI治理團隊與人才地圖中，除了「詠唱師」，還需要「調音師」。

林大馗表示，在人才投入面向，企業成立當責AI治理委員會、制定AI策略與延聘治理顧問，並落實AI安全性的指引與實務守則。

如果是在研發與市場經營面向上，企業與組織除了要制定AI策略，以及延聘治理顧問，也必須要設立AI安全稽核師和AI生命週期安全小組。

至於生態鏈合作面向上，要成立資安事件管理小組，成立針對AI威脅、漏洞和安全情資的管理小組，以及AI生命週期安全小組，對於AI生態鏈與委外廠商，也必須成立相關的管理小組。

至於基礎建設面向上，企業除了要有AI策略與治理顧問，也必須要有AI生態鏈與委外廠商的管理小組，以及網路安全小組。

最後在法規面向上，企業則要有數據品質管理的管理小組、數據法規專家小組，以及建立認證或評估機制，以評估AI系統安全性。

想開發安全可信的AI應用，可依據WEF的指引設計

林大馗認為，對於設計各種AI產品或服務，我們可以參考世界經濟論壇（WEF）在2022年3月發布的指引《Artificial Intelligence for Children》，其內容可以統稱為FIRST指引，當中包括了五大項目，分別是：Fair（公正）、Inclusive（包容）、Responsible（負責）、Safe（安全），以及Transparent（透明）。

「公正」是從公司文化和流程層面，解決人們如何開發AI模型，以及AI模型在使用中，所受到道德方面的影響與偏見問題。

「包容」則是留意到AI模型如何與來自不同文化，以及不同能力的用戶公平互動，所以，在產品測試的過程中，需要包括不同類型的用戶。

所謂的「負責」，主要是因為AI相關產品常反映當下最新的學習科學和科技應用範例，畢竟，最終發展AI，就是要做到如何實現健康的認知、社交、情感或身體發展，並且負起相關的責任。

關於「安全」這一項要求，主要是因為AI技術必須做到保護用戶和購買者得數據，因此，應用AI提供產品或服務的公司，應該要披露其如何收集和使用數據及如何保護數據與用戶隱私，也允許用戶隨時選擇退出，並刪除他們的數據。

「透明」則是要求提供AI產品或服務的公司，必須要能夠以非技術術語向買家和用戶解釋為什麼使用AI、AI如何工作以及如何解釋AI的決策過程；使用AI的公司也必須承認AI有其侷限性和潛在風險，並開放監督和稽核。

林大馗指出，所有組織或企業使用AI的初衷，都是為了提供更好的產品和服務，若能參考這份簡稱為FIRST的AI應用指引，不僅可以提供保護，降低AI對孩童造成的可能風險，也是應用AI時，應該要關注的重點。