物聯網時代的資料保護防線－以歐盟GDPR為中心
本文為「經濟部產業技術司科技專案成果」
徐彪豪
法律研究員 編譯整理
日本一名男子要求法院下令谷歌（Google）刪除他因性犯罪被捕的新聞搜索結果，遭最高法院以侵害言論自由駁回。這是該國最高法院首次做出有關網際網路搜尋的「被遺忘權」相關裁決。 法院網站張貼的聲明表示：「唯有在保護隱私權的價值明顯高於資訊公開時，才會准許刪除（有關這項指控的內容）。」而東京法院亦對於刪除網路搜尋紀錄的基準做出定義，如： 1. 報導的事實性質及內容 2. 事實傳達的範圍及隱私受害程度 3. 當事人的社會地位及影響力 4. 報導的目的及意義 5. 社會的狀況 6. 報導中公開當事人真實姓名及住址的必要性 而日本法院雖已界定被遺忘權之判斷基準，但門檻極為嚴格，臺灣先前亦有前職棒球團老闆訴請Google移除其涉及假球案（法院判決其無罪）之相關連結，但遭敗訴之結果。 相較於亞洲對於被遺忘權行使之結果，歐洲法院於2014年時裁決：當個人資料係「不適當」、「無關連」、「已無關連且多餘」，而且「與公共利益無關」。民眾就有權行使被遺忘權，要求包括Google等搜尋引擎將其相關資料移除。自2014年5月29日統計至今歐洲地區行使被遺忘權之資料，Google收到685,622個要求，並完成「移除要求」評估的網址總數為1,896,454個網址，刪除率達到43.2%。 由上可知，亞洲（如日本與我國）與歐洲對於被遺忘權行使仍有判斷基準上之差異，故後續亞洲國家的相關發展還有帶持續關注。
美國聯邦通訊委員會與國家科學基金會以及國家電信暨資訊管理局簽署合作協議，以展現對頻譜革新倡儀的支持美國聯邦通訊委員會（Federal Communication Commission, FCC）於2021年2月1日與美國國家科學基金會（National Science Foundation, NSF）以及美國國家電信暨資訊管理局（National Telecommunications and Information Administration, NTIA）共同簽署合作協議，展現對NSF於2020年所發起的頻譜革新倡儀（NSF Spectrum Innovation Initiative）的支持，其目的在於美國面臨對頻譜使用的需求量增加之際，能在頻譜的研究與發展尋求創新的進步。 頻譜革新倡儀將致力於頻譜的研究與創新，具體行動如下： 建置國家無線電動態區域（National Radio Dynamic Zones, NRDZ）：藉由建立新的前導測試的測試範圍，使研究人員得對頻譜的使用者進行動態頻譜（dynamic spectrum）的研究和開發； 國家頻譜創新和勞動力發展計畫：建立頻譜相關研究人員聯繫管道，並增加頻譜相關勞動力，以支持未來頻譜之相關產業發展； 頻譜研究活動：藉此發展出更多涉及頻譜的應用，特別是跨領域性質的研究活動； 教育和勞動力發展計畫：透過教育和培訓計畫培養兼具專業且多元性的頻譜相關勞動力。 此份合作協議，目的在確保FCC和NTIA的專業人員可以提供其關於頻譜的專業知識，以幫助確保頻譜革新倡議在頻譜的研究、基礎設施和勞動力方面的投資與開發，能符合美國聯邦政府對頻譜的監管、政策目標、原則和策略。
APEC跨境隱私保護規則體系下之問責機構介紹 金融穩定委員會報告指出金融領域採用AI之模型、資料品質與治理風險.Pindent{text-indent: 2em;} .Noindent{margin-left: 2em;} .NoPindent{text-indent: 2em; margin-left: 2em;} .No2indent{margin-left: 3em;} .No2Pindent{text-indent: 2em; margin-left: 3em} .No3indent{margin-left: 4em;} .No3Pindent{text-indent: 2em; margin-left: 4em} 金融穩定委員會(Financial Stability Board, FSB)於2024年11月14日發布《人工智慧對金融穩定的影響》報告，探討人工智慧（Artificial Intelligence, AI）在金融領域的應用進展及對全球金融穩定的影響，分析相關風險並提出建議。 報告指出AI具有提升效率、加強法規遵循、提供個人化金融產品及進階資料分析等益處，但同時可能加劇某些金融部門的脆弱性（Vulnerability），進而構成金融穩定風險。報告特別提出之脆弱性包括：「第三方依賴及服務供應商集中化」、「市場相關性」、「資安風險」，以及「模型風險、資料品質和治理」。 在模型風險、資料品質與治理中，廣泛應用AI可能導致模型風險上升，因某些模型難以驗證、監控及修正，且模型的複雜性與透明性不足將增加尋找具獨立性和專業知識的驗證者的挑戰。此外，在大型語言模型（Large Language Model, LLM），大規模非結構化資料的使用及訓練資料來源的不透明性，使資料品質評估更加困難。特別是在預訓練模型（Pre-trained Model）中，金融機構對眾多資料來源的評估方式不熟悉，進一步增加管理難度。 若金融機構未建立健全的治理架構以審查AI的使用及其資料來源，模型風險與資料品質問題將難以控制。金融機構有責任應對與AI相關的模型風險和資料品質挑戰，包含對模型進行驗證、持續監控、執行結果分析和評估資料品質的預期要求。 報告呼籲各國金融主管機關加強對AI發展的監測，評估現行金融政策框架是否充分，並增強監管能力。建議可定期或不定期調查AI應用情形，並透過報告及公開揭露制度獲取相關資訊。此外，主管機關可考慮利用監督科技（SupTech）及監管科技（RegTech）等AI驅動工具強化監管效能，以應對AI在金融領域帶來的挑戰與風險。