11_分析的倫理、隱私與管理考量

[案例07｜1-800-Flowers.com：逾 10 億美元營收、4,000 多名員工與智慧系統競爭策略](https://app.notion.com/p/07-1-800-Flowers-com-10-4-000-3dd65edfe79a81e4aa59ebf8ef7b3207)

案例08｜Humanyze：穿戴式感測徽章、員工互動網路與組織空間再設計

案例09｜工作自動化：2,000 類活動、45% 可自動化與行政／專業職務衝擊

案例10｜公民科學與公民資料科學家：國家公園、鳥類調查、MARVI 與 5,000 多名參與者

案例11｜第 11 章實作練習：倫理、隱私、機器人與人工智慧治理的 17 題外部研究任務

案例12｜COMPAS：137 題問卷、再犯風險預測與偏差治理

案例13｜美國大型航空公司：數千航班取消、老舊系統與管理層科技投資責任

案例14｜人工智慧未來論辯：20% 犯罪下降、30,000 名配對候選與樂觀／悲觀觀點

核心表格

核心主題	原書主要觀點	管理用途	主要風險／限制
資料科學旅程	先釐清問題、區分商業問題與研究問題，並持續讓領域專家與資料科學團隊溝通	避免直接跳進建模；讓分析真正對應業務需求	資料分散、缺漏、治理不足，以及把預測誤當因果
智慧系統導入	需同時處理科技是否足夠新、管理層支持、流程整合與合格人才	把智慧系統納入組織策略與日常流程	只做技術專案、不改流程或缺乏資源，容易使導入失敗
高階管理責任	管理者要理解人工智慧（Artificial Intelligence, AI）的戰術與策略機會，並配置資源、規劃員工轉型	建立長期科技能力與危機韌性	短期財務回報可能排擠核心系統投資
物聯網導入	物聯網（Internet of Things, IoT）主要管理問題包括組織對齊、互通性與安全	設備監測、維護、新商業模式與營運改善	裝置相容性、連線能力、資料量、既有設備改裝與新的攻擊入口
法律問題	智慧系統帶來責任歸屬、錯誤建議、專家知識所有權與生成式人工智慧所用知識之權利等問題	在部署前界定責任、稽核與使用邊界	系統、使用者、管理者與開發者之間的責任可能難以切割
隱私問題	行動裝置、語音助理、IoT、員工感測器與使用者剖析都可產生大量可識別或可推論資料	個人化服務、空間規劃、行為分析	未充分告知、用途擴張、第三方分享與工作場所監控
負責任人工智慧	六項共同原則：公平、可靠與安全、隱私與安全、包容、透明、問責	建立模型開發、部署與稽核的治理框架	歷史資料偏差、黑箱模型、缺乏責任主體與持續監測
模型治理	Cathy O’Neil 強調透明、清楚可量化目標，以及自我修正／定期稽核機制	降低模型在社會情境中延續錯誤假設的風險	只有技術準確率不足以保障公平或長期社會效果
組織影響	智慧系統可推動數位轉型、新組織單位、人員分析、組織重新設計與更大管理幅度	提高效率、顧客體驗、創新與競爭能力	工作可能更充實，也可能更例行化；人員分析另有隱私問題
工作與職務	原書主張應區分「活動被自動化」與「整個職位消失」，同時也可能產生新工作	工作拆解、再訓練、人機協作與職務重設計	歷史預測數字不是必然結果，也不能直接當成目前現況
人工智慧未來論辯	原書以烏托邦／反烏托邦呈現人工智慧提高生活品質與造成重大社會風險的兩種立場	促使管理者同時評估機會與風險	人物預測與個案結果都不能當成普遍因果證據
公民科學／公民資料科學家	一般民眾可參與科學資料工作；企業中的公民資料科學家則是具領域知識、可操作資料科學工具的非專職使用者	擴大分析參與、加快原型、提高社會理解與參與	缺乏統計訓練可能誤用模型，正式部署仍需專業驗證

1. 本章核心：智慧系統的困難往往不在演算法

第 11 章把焦點從「模型能做什麼」移到「組織能否負責任地導入、使用與管理模型」。原書涵蓋技術整合、管理支持、物聯網、法律責任、隱私、倫理、組織變革、工作影響與公民資料科學家等議題。

Land O’Lakes／Purina 的開場案例先提醒一個基本原則：資料科學團隊不應一開始就跳進模型。原書強調，必須先透過問答釐清商業使用者真正要解決的問題，並區分短期、直接影響營運指標的商業問題與較偏知識探索的研究問題。資料平台、資料治理、探索性資料分析與特徵工程固然重要，但與領域專家的持續溝通同樣是專案成功條件。

核心表格

1. 本章核心：智慧系統的困難往往不在演算法

2. 智慧系統導入：策略、流程、人才與科技必須一起改