02 · LIFECYCLE STAGE

Design & Development

The core engineering stage, covering system architecture design, requirements analysis, knowledge acquisition, AI data engineering, implementation (including model training) and integration. Data-quality and supply-chain risks concentrate most heavily at this stage.

35 scenarios

RS1-T01-S0003-R

個資保護影響評估缺失

RS1-T02-S0011-L

稽核軌跡不完整

RS2-T04-S0026-L

歷史數據中的社會偏見

RS2-T04-S0027-R

訓練數據代表性不足

RS2-T04-S0028-Z

標註者偏見傳播

RS2-T04-S0030-Z

合成數據放大偏見

RS2-T04-S0031-Q

多語言訓練數據分佈不均

RS2-T04-S0032-Z

刻板印象固化與社會群體貶抑

RS2-T05-S0038-Z

程式碼生成含安全漏洞

RS3-T07-S0054-Z

未經同意使用個資訓練

RS3-T07-S0055-Q

網路爬蟲侵犯著作權

RS3-T07-S0056-R

目的外數據二次利用

RS3-T08-S0062-Z

標籤翻轉攻擊

RS3-T08-S0063-L

後門植入攻擊

RS3-T08-S0064-Z

群眾外包數據污染

RS3-T08-S0066-Z

微調數據集投毒

RS3-T08-S0067-Z

分散式訓練梯度傳輸污染

RS3-T08-S0068-Z

RLHF 人類偏好數據操縱

RS3-T08-S0069-Z

自動化數據管線上游污染

RS3-T11-S0093-Z

微調安全對齊退化

RS3-T12-S0094-Z

惡意 Python 套件注入

RS3-T12-S0095-Z

Hugging Face 預訓練模型後門

RS3-T12-S0096-Z

訓練框架漏洞利用

RS3-T12-S0098-Z

SBOM 缺失導致漏洞盲區

RS3-T12-S0099-Z

深度學習框架漏洞利用

RS3-T12-S0100-L

GPU 計算平台側通道攻擊

RS3-T13-S0105-Z

訓練日誌竄改掩蓋投毒

RS4-T16-S0123-L

信用評分模型族群偏見

RS4-T16-S0127-L

代理變數造成間接歧視

RS4-T16-S0130-L

交叉歧視

RS5-T17-S0137-Z

AI 規範博弈與獎勵駭客

RS6-T19-S0154-Z

開發者盲目接受 AI 生成程式碼

RS6-T21-S0172-L

多智能體目標衝突

RS7-T23-S0200-Z

AI 數據工人與標註勞動剝削

RS7-T24-S0202-Z

大型模型訓練碳排放