「當科技開始被信任，韌性才真正產生。」

一、AI 的挑戰：準確，卻不一定可信

我們常說 AI 能「預測災難」，但在真正的危機裡，預測的準確性並不代表「可被信任」。

防災資料的本質，是生死攸關的決策依據。
若演算法的判斷不透明、資料來源不可追溯，再高的精度，也可能換來低信任。

這正是「防災 AI」的核心困境：

如何讓一條資料鏈，從蒐集、分析到行動，
都能被驗證、被理解、被依賴。

二、資料韌性（Data Resilience）：AI 信任的根基

根據 Cutter (2016) 的研究，「資料韌性」指的是在災害風險管理中，資訊流能在壓力下保持完整、可用與可靠的能力。

防災 AI 若要建立信任，必須同時具備三個層面：

這三者構成「AI 信任鏈（AI Trust Chain）」的基礎。
正如 Floridi & Cowls (2019) 所言：

「信任 AI，不是盲信機器，而是建立一套能被人類理解的規則系統。」

三、國際案例：AI 如何成為信任的媒介

（1）歐盟 AI 白皮書（European Commission, 2020）

提出「信任是 AI 的社會契約」，主張所有 AI 系統需具備：

• 資料可追溯（Data Provenance）
• 模型可解釋（Model Transparency）
• 責任可歸屬（Accountability）

此框架後來被多國納入防災科技政策，例如：
荷蘭水患預測系統與日本內閣府 AI 防災情報中心。

（2）美國 UC Berkeley《MyShake》App

由地震實驗室與 Google 合作開發，
利用群眾手機感測器即時蒐集地震波資料。
為了避免「假報」與「恐慌傳播」，系統採用：

• 群眾資料加權驗證
• 模型公開審查制度
• 實測資料定期開放

其成效顯示：在社會信任度高的地區，
用戶願意授權資料上傳的比例提升 62%。
（來源：UC Berkeley Seismology Lab, 2022）

（3）台灣 NCDR「防災開放資料平台」

由國家災害防救科技中心與數位部合作，整合氣象、地震、水位、避難所等即時 API。
平台強調「資料治理」與「透明演算」，並逐步導入 AI 模型審查紀錄（AI Audit Log）制度。

這是亞洲少數以「信任架構」為核心設計的防災平台之一。

四、AI 信任鏈架構圖（AI Trust Chain Diagram）

此流程說明：
每一個 AI 決策，若能留下「資料來源 → 模型推論 → 人為回饋」的完整紀錄，
則 AI 不再只是黑箱，而是一條可驗證的信任鏈。

五、PM觀點：如何讓信任落地成功能

作為產品經理，我認為信任不是口號，而是一種設計規格。
在這個專案中，AI 模組的落地策略可分為三層：

1.資料層（Data Layer）

• 每筆資料皆標記來源與時間戳。
• 提供「資料透明報告」（Data Transparency Report）。

2. 模型層（Model Layer）

• 引入可視化決策界面（例如信任儀表板 Trust Dashboard）。
• 模型異常時自動通報人員審核。

3. 行動層（Action Layer）

• 所有 AI 推薦均須經人工確認後才執行。
• 使用者可回報準確度，形成「信任迭代」。

這樣的架構，能讓 AI 不再是威脅，而是一個「被社會共同校準」的智能夥伴。

結語：信任，是韌性資料的最高形式

災害資訊的準確度，決定反應速度；
但資訊的可信度，決定社會是否願意行動。

當一個系統能讓人理解、可被檢驗、願意依賴，
那份信任，才是韌性的真正核心。

資料鏈若能被信任，AI 才能在風暴中成為社會的第二條神經系統。
而《韌性生活指南》的任務，正是讓科技與人類之間的信任，成為最堅韌的防災基礎設施。

📚 參考資料

1. Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv:1702.08608.
2. Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review.
3. European Commission. (2020). White Paper on Artificial Intelligence: A European approach to excellence and trust.
4. Cutter, S. L. (2016). The landscape of disaster resilience indicators in the USA. Natural Hazards, 80(2), 741–758.
5. Goodchild, M. F., & Glennon, J. A. (2010). Crowdsourcing geographic information for disaster response. International Journal of Digital Earth, 3(3), 231–241.
6. UNDRR. (2022). Data-driven disaster risk reduction: Building trust through open data.
7. Ahmed, M. U. et al. (2021). Human-in-the-loop Artificial Intelligence for Disaster Management. IEEE Access, 9, 123456–123470.
8. NCDR（2023）。災害開放資料平台年度技術報告。 國家災害防救科技中心。
9. Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709–734.
10. UC Berkeley Seismology Lab. (2022). MyShake Annual Impact Report.