RFID應用發展與相關法制座談會紀實
日本自民黨（目前執政黨）稅制調查會於去（2019）年12月12日公布「令和2年度稅制改正大綱」，並於同年12月20日經閣議決定，創設促進5G 導入稅制，決定對正在開發通訊網絡的行動通訊廠商，給予優惠稅收待遇。預計於今（2020）年通過「促進特定高端資訊通信等系統普及相關法律（暫定）」，於該新法施行日至2022年3月31日期間，受認定為「導入事業者（暫定）」之法人，導入符合「認定導入計畫（暫定）」之5G系統，取得5G系統設備並將其用於日本國內事業時，可選擇特別抵免取得價格的30%，或稅額扣除取得價格的15%，扣除上限額為法人稅額的20％。 我國於去（2019）年10月24日發布實施「公司或有限合夥事業投資智慧機械或第五代行動通訊系統抵減辦法」，亦規定有國內企業導入5G系統之抵減辦法，適用對象為同一課稅年度支出總金額100萬元以上，不逾10億元為限，可選擇支出金額5%抵減當年度應納營所稅額，或3年內支出金額3%抵減各年度應納營所稅額，抵減上限為當年度應納營所稅額30%，合併適用其他投資抵減時，當年度應納營所稅額50%。 我國與日本均可望透過優惠稅收待遇制度，促進5G 導入。隨著在地化5G的導入，預計可利用於工廠生產線自動控制和農產品效率化生育管理等智慧化資通訊系統，以促進智慧工廠或智慧農業的落地普及。
新加坡金融監管局發布金融服務產業轉型藍圖，以提升金融科技創新力考量金融服務業面對科技之影響，金融領域必須轉型，以維持競爭力與時並進，新加坡金融監管局於2017年10月30日發布金融服務領域之產業轉型藍圖(Industry Transformation Map)，旨於成為一個連結全球市場、支持亞洲發展，以及為新加坡經濟服務之全球金融中心。 該產業轉型藍圖包含了三部分，分別係：商業策略、創新與監理、以及就業與技能。 一、商業策略：成為領先國際財富管理樞紐。為推動亞洲發展，新加坡金管局預計與業界合作，將新加坡發展為私募市場融資平台。 二、創新和監管：發展重點為促進金融領域創新之普及，並鼓勵使用科學技術提升效率與創造機會，其具體方式包括： 透過API應用程式介面，鼓勵金融機構提升創造力和科技創新。 與金融機構合作打造常用的工具，如電子支付、電子身分識別(know-your-client)機制等。 促進和投資研發，開發新的解決方案，包括使用分帳式技術進行銀行間的支付與貿易融資。 擴展與其他Fintech中心之間的跨境合作協議，讓新加坡成為國外Fintech新創企業之育成基地。 使用科學技術，簡化金融機構監管。 三、就業和技能：新加坡金管局將擴大金融服務業的人才庫，加強新入和中期轉換跑道之人員在資訊科技上的專業技能。 該金融服務產業轉型藍圖之目標為，每年在金融領域達到4.3%實際增長值，並創造3,000個工作，其中金融科技領域部分達成1,000個工作機會。
英國交通部推出MaaS實務準則，達成兼顧永續與包容的次世代MaaS服務英國交通部（Department for Transportation, DfT）於2023年8月30日提出「交通行動服務（MaaS）實務準則（Mobility as a Service: code of practice）」，內容針對MaaS之提供商，提出產品及服務建議。MaaS實務準則涵蓋包含以下五個面向，以提供MaaS廠商具體明確的產品設計及營運建議： 1. 交通包容性與近用性（accessibility），例如應盡力避免產品之AI演算法產生偏見、確保AI學習資料無偏差；產品介面應提供視覺、聽覺輔助功能；針對身障民眾應提供適當之交通路線建議，以及應提供偏鄉、無網路區域非線上（offline）服務管道； 2. 低碳運輸之推廣，如納入更多步行、單車等環保交通選項； 3. 友善之多元支付方式，如現金、數位支付、定期套票，並整合火車、地鐵、客運、公車之支付系統； 4. 資料分享與資料安全並重，保障使用者隱私，如採用公認之資料安全標準以及與同業簽訂資料共享契約； 5. 重視消費者權益保障，鼓勵平台間公平競爭，如釐清各參與者間之責任，避免消費者投訴無門，以及提供線上及非線上聯絡窗口，及時處理消費者需求等。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。