搜尋意圖： 如果你在找「資料隱私 是什麼」、「資料隱私 會怎麼考」或「資料隱私 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 資料隱私是指保護個人資訊不被未授權存取、蒐集或濫用的原則與實踐，在 AI 系統中需遵循 PDPA 等法規要求
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有在處理個資或敏感資訊時，還在想這件事到底該怎麼看？
把它想成先問清楚誰能看、能看多少、能不能拿去別的地方用。 隱私重點不是資料不能用，而是資料不能被不該看的人拿走或濫用。 AI 專案若忽略隱私，常常不是先壞在模型，而是先壞在合規和信任。
就像先用生活中的例子抓住核心用途，再回頭看名詞和公式，理解會穩很多。
容易混淆
data-security 資安偏防攻擊，隱私偏防不當蒐集和使用。 常見混淆：資料隱私 vs data-security 資安偏防攻擊，隱私偏防不當蒐集和使用。
記住這句就好
能不能用，不等於能不能亂用。
實際案例
會員資料 姓名、電話、地址和消費紀錄都要限制存取。 醫療紀錄 病歷和檢查結果屬於高度敏感資訊，處理時要更嚴格。
深入了解
- 隱私重點包含蒐集最小化、用途限定、存取控制和去識別化。
- 它和資安有交集，但隱私更關注資料是否被正當使用。
- 導入 AI 時，要同時看資料流程、授權和法規要求。
情境判斷
Q1： 資料只要做匿名化，就一定安全嗎？
不一定，還要看是否能被重識別，以及使用場景是否合規。
Q2： 如果模型效果會因為刪掉個資而下降，該怎麼想？
要看情況，不能為了效果就忽略隱私風險，應該找平衡方案。
iPAS 考題
Q1： AI 系統中，資料隱私最核心的目標是什麼？
保護個人資訊不被未授權存取、蒐集或濫用。
常見問題
資料隱私和資料安全有什麼差別？
安全偏向防止被攻擊，隱私偏向防止被不當使用。
去識別化就沒有風險嗎？
不是，還是可能被重識別。
AI 專案怎麼降低隱私風險？
可用最小化蒐集、權限控管、加密和去識別化。