3G執照屆期處理政策－國際實務與我國法制評析
我國3G業務執照將於2018年底屆期，由於我國3G業務用戶數仍高，又我國第三代行動通信業務管理規則第48條第2項設有執照屆期後主管機關得為彈性處理之明文，故3G執照是否僅限於收回重新釋出頻譜，或是有其他更適宜之方式，實值進一步探討。 本研究首先借鏡國際上相關執照屆期重新釋出之執行措施與配套方案進行說明分析；其次，由市場面(我國行動通訊市場營運現況)與法制面(預算法、電信法及相關管理規則)，探討我國3G執照屆期處理政策；最後提出相關建議，以供相關機關未來施政時參考。
Google地圖、GPS導航、Facebook定位打卡、「台北等公車」、Uber叫車，「地理空間資料」（Geospatial Data）的運用已經滲透現代人的生活。然而，究竟什麼是「地理空間資料」？所謂「地理空間資料」，依美國的《2018年地理空間資料法》 （Geospatial Data Act of 2018）的定義：「與地球上緊扣相關的位置資訊，包含辨識地球上的地理位置和自然或結構特徵與疆界。在向量資料組（Vector Dataset）中，大致以點、線、多邊形或複雜的地理特徵或現象呈現。該資料可能透過遙測（Remote Sensing）、製圖（Mapping）和量測（Surveying）科技取得。」 地理空間資料涉及地理學、地圖學（Cartography）、地理資訊系統學（Geographical Information Science, GIScience）及許多相關的科學領域。互動式的時間與空間功能，成就了當今混和空間與時間的資訊爆炸，更是五花八門運用地理資訊的手機應用程式之基礎等。應用場景涉及政府、商業、社會各層面，順利達成多元且重要的任務，例如：疾病通報、環境監測和公共安全。2017年Google於委託AlphaBeta的分析報告指出：「全球地理空間資料相關服務每年有四千億美元的產值、節省消費者超過五千五百億美元的燃料和時間成本、直接創造四百萬份工作機會。透過電子地圖服務，如：提高顧客流量的免費行銷工具Google My Business，更促使小型商家產生1.2兆美金的營業額。」
英國BEIS發佈燃煤電廠邁向未來低碳之路的公眾諮詢英國商業、能源和產業策略部(Business, Energy and Industrial Strategy, BEIS)於2016年11月9日發布公眾諮詢報告「英國燃煤電廠：邁向未來低碳之路」，儘管過去燃煤發電對於滿足英國電力需求發揮了關鍵作用，然而，最近煤炭的重要性隨著再生能源發電的增長和新燃氣電廠的建設而下降。煤炭是碳密集度最高的化石燃料，它每天產生的二氧化碳是天然氣的兩倍，因此，減少發電排碳最直接有效的方法就是減少對燃煤發電的依賴。 2015年燃煤發電僅佔英國總發電量的四分之一，而目前仍在運營的八個燃煤電廠佔英國總發電量約15%，這些燃煤電廠正在不斷老化，以現代標準來看其發電效率已是相對低下，並且需要昂貴的修繕費用以符合當前的空氣品質標準。因此，近年來有許多燃煤電廠關閉，而當這些燃煤電廠停業時，往往是在短時間內才對電力市場發出通知，關廠增加了短期電力供應安全的壓力，除非電力市場對於這些發電容量的損失有足夠的預期。 基於上述理由，本次公眾諮詢探討英國政府該如何規範高排放燃煤電廠關閉的相關措施，並為投資者提供更大的市場確定性，以新的燃氣發電機組代替燃煤電廠關閉時的發電容量。 BEIS提出2025年高排放燃煤電廠應符合的兩種減碳選項─確保電廠使用碳捕捉與封存(Carbon Capture and Storage, CCS)或修改排放績效標準(Emissions Performance Standard, EPS)： (1)要求現有燃煤發電廠裝設CCS技術且確保所有電廠使用CCS技術，並符合現行英國排放績效標準(EPS)。 (2)修改現行排放績效標準(EPS)，由每年排放限制強化為即時排放限制，以達到2025年汰除燃煤電廠的目標。 另外英國政府也將就燃煤電廠是否已充分減少排放二氧化碳，以換取繼續運行的替代方案進行公眾意見徵求。上述這二種方案都會使燃煤電廠將二氧化碳排放量降至等於或低於新建燃氣發電廠的排放量，此份公眾諮詢將結束於2017年2月8日。
世界衛生組織發布人工智慧於健康領域之監管考量因素文件，期能協助各國有效監管健康領域之人工智慧世界衛生組織（World Health Organization, WHO）於2023年10月19日發布「人工智慧於健康領域之監管考量因素」（Regulatory considerations on artificial intelligence for health）文件，旨在協助各國有效監管健康領域之人工智慧，發揮其潛力同時最大限度地降低風險。本文件以下列六個領域概述健康人工智慧之監管考量因素： （1）文件化與透明度（Documentation and transparency） 開發者應預先規範（pre-specifying）以及明確記錄人工智慧系統（以下簡稱AI系統）之預期醫療目的與開發過程，如AI系統所欲解決之問題，以及資料集之選擇與利用、參考標準、參數、指標、於各開發階段與原始計畫之偏離及更新等事項，並建議以基於風險之方法（Risk-based approach），根據重要性之比例決定文件化之程度、以及AI系統之開發與確效紀錄之保持。 （2）風險管理與AI系統開發生命週期方法（Risk management and AI systems development lifecycle approaches） 開發者應在AI系統生命之所有階段，考慮整體產品生命週期方法（total product lifecycle approach），包括上市前開發管理、上市後監督與變更管理。此外，須考慮採用風險管理方法（risk management approach）來解決與AI系統相關之風險，如網路安全威脅與漏洞（vulnerabilities）、擬合不足（underfitting）、演算法偏差等。 （3）預期用途、分析及臨床確效（Intended use, and analytical and clinical validation） 開發者應考慮提供AI系統預期用途之透明化紀錄，將用於建構AI系統之訓練資料集組成（training dataset composition）之詳細資訊（包括大小、設定與族群、輸入與輸出資料及人口組成等）提供給使用者。此外，可考慮透過一獨立資料集（independent dataset）之外部分析確效（external analytical validation），展示訓練與測試資料以外之效能，並考慮將風險作為臨床確效之分級要求。最後，於AI系統之上市後監督與市場監督階段，可考慮進行一段期間密集之部署後監督（post-deployment monitoring）。 （4）資料品質（Data quality） 開發者應確認可用資料（available data）之品質，是否已足以支援AI系統之開發，且開發者應對AI系統進行嚴格之預發布評估（pre-release evaluations），以確保其不會放大訓練資料、演算法或系統設計其他元素中之偏差與錯誤等問題，且利害關係人還應考慮減輕與健康照護資料有關之品質問題與風險，並繼續努力創建資料生態系統，以促進優質資料來源之共享。 （5）隱私與資料保護（Privacy and data protection） 開發者於AI系統之設計與部署過程中，應考慮隱私與資料保護問題，並留意不同法規之適用範圍及差異，且於開發過程之早期，開發者即應充分瞭解適用之資料保護法規與隱私法規，並應確保開發過程符合或超過相關法規要求。 （6）參與及協作（Engagement and collaboration） 開發者於制定人工智慧創新與部署路線圖之期間，需考慮開發可近用且具有充足資訊之平台，以於適合與適當情況下促進利害關係人間之參與及協作；為加速人工智慧領域實務作法之進化，透過參與及協作來簡化人工智慧監管之監督流程即有必要。