資訊揭露立場分歧：著作權集體管理團體條例修正草案
著作權集體管理團體條例（集管條例）自2010年2月10日公布施行以來，終於今年（2019）5月中旬展開修法公聽會，智慧局提出三大項修法目的：「一、強化專責機關監督輔導；二、提升集管團體公信力與透明度；三、健全著作權授權市場環境。」依此分別提出修正條文。
其中，關於集管團體的財務治理透明化的規定，智慧局參考歐盟指令與德國集管條例，增訂集管團體之資產負債表、收支決算表、現金流量表等財務報表之揭露的法律義務（修正第21條第1項），且「應上網供公眾查閱」（增訂第22條第2項），係為建立集管團體公信力並強化良善治理與健全體質。
在場集管團體持不同意見，認集管團體僅係對身為會員的權利人以及利用人負責，且每年均已被主管機關與會員檢視相關報表，似無公開上網讓不特定大眾開放查閱之理。利用人則提出「重複管理」是須要被解決的議題，以授權移轉的實務問題舉例，故希望未來修新法有即時性的權利與管理的資訊揭露。權利人則反應授權金分配不透明，建議以資訊化的方式讓報酬分配機制透明化，並可應用區塊鍊技術達成之。
杜芸璞
法律研究員 編譯整理
- 著作權集體管理團體條例修法意見交流會，https://www.tipo.gov.tw/lp.asp?CtNode=7744&CtUnit=3808&BaseDSD=7&mp=1（最後瀏覽日：2019/05/23）
- 108年5月16日「著作權集體管理團體條例部分條文修正草案」公聽會 https://activity.tipo.gov.tw/ct.asp?xItem=37189&ctNode=817&mp=1（最後瀏覽日：2019/05/23）
「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。
新加坡金融管理局發布《資料治理與管理實務》資訊文件新加坡金融管理局（Monetary Authority of Singapore，下文簡稱MAS）於2024年5月29日發布《資料治理與管理實務》（Data Governance and Management Practices: Observations and Supervisory Expectations From Thematic Inspections）文件。此文件係根據MAS於2022年至2023年期間針對國內系統性重要銀行（Domestic Systemically Important Banks，下文簡稱D-SIBs）進行「資料治理與管理架構」的主題式檢查結果加以研究與分析而作成，其內容包含MAS對於資料治理的期望、受檢銀行的優良實踐範例及缺失，希望未參與檢查的銀行與金融機構也能根據這份文件進行適當的改善措施。 MAS在《資料治理與管理實務》文件中提出關於五大主題的監管期待，簡要說明如下： 1.董事會和高階管理層的監督： 董事會和高階管理層應加強監督資料治理。例如，定期向董事會報告資料管理領域的重要問題；高階管理層應即時獲得準確且完整的相關資訊，並對資料風險進行分析。 2.設置資料管理單位： 銀行應建立資料管理單位，並為資料管理辦公室提供明確的任務授權，以利其監測資料的品質。 3.資料品質之管理與控制： 銀行應建立資料品質管理架構與流程，以確保資料在整個生命週期中是有品質的。例如，建立有效控制資料流的機制；建立資料品質指標或計分卡；使用終端使用者運算工具（end-user computing tools）處理資料時，應納入風險評估和控制架構來管理。 4.資料品質控制資料之問題識別與升級： 銀行應制定升級標準和行動計畫，以改善資料品質。另外MAS也建議銀行應該要有強大且完整的資料譜系（data lineage）來辨識資料問題並將之改善。 5.BCBS 239原則之擴大適用：BCBS 239原則係巴賽爾銀行監理委員會（the Basel Committee on Banking Supervision）第239號規範：《有效風險資料聚合及風險報告原則》（Principles for effective risk data aggregation and risk reporting），適用於全球的系統性重要銀行（Global Systemically Important Banks），巴賽爾銀行監理委員會同時建議D-SIBs宜遵循此原則，因此MAS亦要求新加坡境內7家D-SIBs須遵守BCBS 239原則的相關規範。此外，MAS仍期待各銀行與金融機構可以擴大BCBS 239原則的適用範圍，例如在範圍內報告（in-scope reports，或稱主要風險報告）中納入反洗錢、稅務管理等面向。由於金融服務是一個由資料驅動的產業，資料已然是金融業重要的戰略資產。MAS期盼這份文件能夠讓所有銀行及金融機構提升其資料治理能力，並針對內部的問題進行改善。
概念驗證中心（Proof of Concept Center, PoCC）概念驗證中心（Proof of Concept Center, PoCC）源自美國研究型大學各校為加速大學科研成果商業化，於內部建立的專業型機構。全美第一所PoCC是2001年設立於加州大學聖地牙哥分校的「里比西中心」（the William J. von Liebig）。 為了因應美國大學科研成果商業化過程中所遇到的阻礙，例如：資金與資源缺乏導致研發人員動力不足、研發人員對於市場需求資訊不對等、技術開發提升緩慢以及政府激勵政策不足等問題。PoCC以解決大學與企業之間存在的各種差異與衝突為目標，並透過下列手段強化科技成果商業化動力，提升商業化績效：1、通過種子基金資助，為無法獲得資金支持的早期研究提供經費挹注；2、為大學科研成果商業化提供市場顧問與技術開發諮詢，以及智慧財產權保護等諮商；3、創業人才教育及培訓，促進創業文化並進行創業教育，以增強大學與產業協同創新能力。
韓國「2021年經濟政策」韓國財政經濟部（Ministry of Economy and Finance）於2020年12月17日發布「2021年經濟政策」（2021 Economic Policies）。2021年經濟政策中包含兩大重點，分別為因應新型冠狀病毒影響下的不確定性，盡快恢復經濟成長動能，以及推動產業創新與結構轉型，以培植未來的經濟成長動力。政策文件中指出，儘管2020年經濟成長率因疫情影響而表現低迷，但仍期許2021年經濟能夠盡快好轉，改善投資、出口與國內就業。 針對如何盡快恢復經濟成長動能議題，政策文件指出首先應處理因疫情帶來的不確定性，除了維持擴張性財政政策，以增加政府支出刺激總體需求外，在經濟成長與疫情防治間應取得平衡並加強風險管理；其次為透過租稅減免促進消費、擴大投資額度與提供出口融資，以及提供資金以扶植中小企業、提供優惠貸款協助大型企業度過疫情難關、鬆綁法規以發展地方經濟等一連串措施，來達到恢復經濟成長動能的目標。 而在推動產業創新與結構轉型上，將持續投資於5G應用與6G技術的發展上，推動數位經濟與數位政府系統建構，具體措施包含減免投資5G應用貸款稅率2%、籌集投資數位新政基金、完善智慧醫療應用等。此外在扶植新創政策上，則包含建立新興科技實驗場域（K-test bed），以政府採購扶植新興科技、提供商機以及協助銜接海外市場，修正創投法規開放附認股權憑證之低利貸款以引進矽谷創投資金，以及排除可轉換可贖回之債務認定以降低政府研發補助申請門檻等，以有效扶植創新能量成為未來的經濟成長動力。