日本《小型無人機等飛行禁止法》修正案
內閣官房副長官於2019年12月18日召集國土交通省、警察廳、經濟產業省、防衛省等相關主管機關，召開第9次「小型無人機相關府省廳聯絡會議」（小型無人機に関する関係府省庁連絡会議），並決議由內閣於2020年向國會提交《小型無人機於重要設施周邊地區上空飛行禁止法》（重要施設の周辺地域の上空における小型無人機等の飛行の禁止に関する法律，以下簡稱「小型無人機等飛行禁止法」）修正案，將重要國際機場及其周邊地區列為小型無人機的永久禁航區。
《小型無人機等飛行禁止法》之目的係禁止小型無人機於國家重要設施上空飛行，以防患於未然，並維護國政中樞機能和良好國際關係，以及確保公共安全。依該法第2條、第9條第1項之規定，小型無人機之禁航區域包含國會議事堂、內閣總理大臣官邸、其他國家重要設施等、外國領事館等、國防相關設施和核能電廠，以及設施周邊經指定之地區。
而在機場部分，為預防危險並確保大會能順利準備及營運，日本已透過《世界盃橄欖球賽特別措施法》（ラグビーＷ杯特措法）及《東京奧運暨帕運特別措施法》（東京五輪・パラリンピック特措法），將國土交通大臣指定之機場及其周圍300米地區增列為小型無人機禁航區，但僅為大會期間的暫時性措施。內閣考量小型無人機之飛行可能會影響機場功能運行，甚至對經濟帶來重大不良影響，欲透過《小型無人機等飛行禁止法》修正案，將該暫時性措施改為永久措施。
本文為「經濟部產業技術司科技專案成果」
黃敏瑜
法律研究員 編譯整理
美國國家情報體系（United States Intelligence Community）係於1981年依據行政命令第12333號（Executive Order 12333）所建立，其任務為蒐集、分析與提供外國情報與反情報資訊美國國家領導人，服務對象包含美國總統、執法單位以及軍事單位。其於2020年6月提出「情報體系人工智慧倫理架構」（Artificial Intelligence Ethics Framework for the Intelligence Community），為人工智慧系統與訓練資料、測試資料之採購、設計、研發、使用、保護、消費與管理提出指引，並指出人工智慧之利用須遵從以下事項： 一、於經過潛在風險評估後，以適當且符合目的之方法利用； 二、人工智慧之使用應尊重個人權利與自由，且資料取得應合法且符合相關政策與法規之要求； 三、應於利用程序內結合人類判斷與建立問責機制，以因應AI產品之風險並確保其決策之適當性。 四、於不破壞其功能與實用性之前提下，盡可能確認、統計以及降低潛在之歧視問題。 五、AI進行測試時應同時考量其未來利用上可預見之風險。 六、持續維持AI模型之迭代（Iteration）、版本與改動之審查。 七、AI之建立目的、限制與設計之輸出項目，應文件化。 八、盡可能使用可解釋與可理解之方式，讓使用者、審查者與公眾理解為何AI會產出相關決策。 九、持續不定期檢測AI，以確保其符合當初建置之目的。 十、確認AI於產品循環中各階段之負責人，包含其維護相關紀錄之責任。
物聯網時代的資料保護防線－以歐盟GDPR為中心 美國聯邦航空總署針對特殊類型無人航空器提出新的適航性準則美國聯邦航空總署（Federal Aviation Administration, FAA）於2020年11月23日針對10種特殊類型（special class）無人航空器提出新的適航性準則（airworthiness criteria），以納入更多聯邦法規第107篇（14 CFR Part 107）所無法涵蓋之複雜無人航空器應用類型，包括包裹運送（package delivery）。 FAA目前正針對其所提出之適航性準則蒐集公眾之意見，故將相關特殊類型之無人機應用申請案公告於聯邦公報（Federal Register）中，提供30天予公眾針對該申請案之適航性表示意見，後續正式公布該適航性準則時亦會將相關意見納入考量。 該適航性準則將成為特殊類型無人航空器之安全標準，並能夠為相關特殊類型之無人航空器取得型式安全審驗合格證明（type certificate）建立之參考準則之一。 該適航性準則主要適用於重量在5-89磅之電動定翼（fixed wing）與旋翼（rotorcraft）無人機。FAA說明，該特殊類型無人航空器若通過此準則，僅表示其符合該適航性準則所規範之類型，惟其是否能夠執行飛行任務，尚須檢視有否符合FAA相關操作規範，包括操作人員是否取得許可證、操作之空域是否為禁限航區等。
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。