AI 違規廣告檢測是什麼？從內容辨識到人工複核的完整流程
電商商品頁、社群貼文與短影音每天產生的廣告，早已超過人工逐則瀏覽的極限。AI 違規廣告檢測就是在這個落差中出現的作業方式：大規模蒐集流通中的廣告，辨識疑似違規的語句型態，再交由承辦人與法遵人員複核。本文說明它的定義、常見態樣、五階段流程與技術組合，以及最關鍵的一件事——AI 的輸出是線索，不是認定。
快速回答：AI 違規廣告檢測是什麼？
AI 違規廣告檢測，是利用文字、OCR、語音及影像辨識技術，抽取廣告中的產品宣稱，再與法規、函令及裁罰案例比對，辨識疑似違規內容，供主管機關或法遵人員進一步人工複核。它處理的不是單篇文案的用字修飾，而是市場上流通中的大量廣告：先篩出風險較高的內容，讓有限人力用在刀口上。
界線必須先講清楚：系統輸出的是疑似違規的標記與佐證（語句、擷取時間、來源網址），個案是否違規仍由主管機關依法定程序認定。把 AI 標記當成違法結論，是導入這類系統最需避免的誤解。
適合誰使用
- 主管機關與地方稽查單位：在有限人力下擴大監測覆蓋範圍
- 電商與社群平台治理團隊：掌握賣家內容風險
- 品牌與法遵團隊：巡檢自家與經銷通路的投放內容
- 行銷與公關單位：理解哪些說法屬高風險型態
能解決什麼問題
- 廣告量遠大於人力，瀏覽速度追不上刊登速度
- 疑似違規內容散落各平台，同一賣家難以串起輪廓
- 複核過程沒有紀錄，誰看過、理由是什麼難以回溯
- 關鍵字清單追不上改寫、諧音與圖片內文字的變形
什麼是不實或違規廣告？常見態樣總覽
談 AI 怎麼做之前，要先知道它在找什麼。下表整理最常被關注的六種態樣與對應的法規領域——只列法規名稱，不涉及個別條文與處分。
| 態樣 | 語句型態特徵 | 涉及的法規領域 |
|---|---|---|
| 不實或引人錯誤的表示 | 成分、產地、認證或價格與實際不符，或以片面資訊使消費者誤解 | 公平交易法 |
| 誇大效能與絕對化用語 | 最強、第一、永久有效等無法查證的說法，或把個別結果說成一般性效果 | 公平交易法與各類產品法規 |
| 食品宣稱醫療效能 | 以治療、改善、預防特定疾病等動詞描述食品，或以醫療名詞暗示取代就醫 | 食品安全衛生管理法 |
| 保健功效的宣稱界線 | 一般食品使用專屬審查制度產品的功效說法，或將許可範圍任意延伸 | 健康食品管理法 |
| 化粧品涉及療效 | 超出清潔、保養與美化範圍，宣稱改變生理機能或處理皮膚疾病 | 化粧品衛生安全管理法 |
| 見證與代言的揭露 | 以個案見證或前後對照暗示普遍療效，或有商業合作卻未揭露 | 藥事法、公平交易法等 |
以上僅為一般性的態樣說明，協助建立整體圖像。個案是否違規，仍應以主管機關認定及法遵人員審閱為準；AI 系統輸出的是疑似違規的辨識與佐證資料，不是法律判斷。
法規全文可於全國法規資料庫查詢，主管機關資訊可參考衛生福利部食品藥物管理署與公平交易委員會。
為什麼人工看不完：監理作業的規模問題
監理的困難很少來自判斷本身——有經驗的承辦人看到一句宣稱改善特定疾病的食品文案，幾秒鐘就知道要不要往下查；困難在於這句話混在數以萬計的商品頁與貼文裡。
一、廣告的載體變多了
同一項商品的宣稱可能同時出現在商品頁標題、規格描述、賣家問答、社群貼文、短影音字卡與直播口播，而且隨時可修改；以件計的人工瀏覽，覆蓋率必然落後。
二、抽查覆蓋率的天花板
抽查是務實的作法，但有一個必須說清楚的性質：抽不到不等於沒有。當比例受限於人力，監理視野會集中在檢舉案件與少數品類。自動化不是取代抽查，而是把先看哪些變成有依據的排序。
三、違規態樣的變形速度
被關注過的說法會很快改寫：治療改成調理、疾病名稱改用諧音、關鍵訴求做成圖卡而不寫在文字欄位。純依賴固定關鍵字清單維護成本高且永遠落後一步，這正是語意層次判讀被引入的原因。
AI 廣告監理五階段：蒐集、辨識、比對、複核、處置
不論自建或委外，這類作業大致都落在五個階段上。拆成五段的好處是責任清楚：前三段是系統的資料工作，第四段開始是人的判斷，第五段回到機關的行政程序。
| 階段 | 做什麼 | 輸入 | 產出 | 誰負責 |
|---|---|---|---|---|
| 蒐集 | 依品類與平台設定範圍，排程抓取並增量更新 | 監測品類、平台清單、關鍵字 | 廣告內容庫（文字、圖片、網址、時間） | 系統 |
| 辨識 | 抽取宣稱句，判斷是否屬於高風險型態 | 廣告內容庫、態樣定義、標註樣本 | 疑似違規標記、型態分類與原句 | 系統 |
| 比對 | 對應到法規領域與公開案例類型 | 法規名稱對照表、案例類型整理 | 含法規領域對應的清單 | 系統（規則由法遵人員維護） |
| 複核 | 逐案審閱，判定成案、不成案或待補資料 | 疑似違規清單與佐證資料 | 人工複核結論、理由與複核者紀錄 | 人 |
| 處置 | 依既有程序建案、分派並追蹤進度 | 複核結論與相關佐證 | 案件紀錄、進度與結案資訊 | 機關 |
一、蒐集：先決定看哪裡
第一個決定不是技術問題而是範圍問題：監測哪些品類、哪些平台、多久更新一次。範圍開太大，複核人力會被淹沒；開太小則失去意義。常見作法是先鎖定申訴集中的品類建立基準資料，再以增量方式追蹤變動。蒐集對象應限於公開流通的廣告，個資界線需與法制單位確認。
二、辨識：從整篇內容中抽出宣稱
辨識階段要把宣稱句抽出來，判斷它是否落在事先定義的高風險型態，例如治療性動詞、以個案見證暗示普遍效果、絕對化用語。輸出應包含原句、型態分類與信心分級；信心分級是用來排序複核順序，不是取代複核。
三、比對：把標記接回法規領域
承辦人還需要知道被標記的句子牽涉哪個法規領域、類似型態過去怎麼被處理。比對階段把辨識結果對應到法規名稱與公開案例類型。這個對應提供的是起點而非結論，對照表應由法遵人員維護並隨主管機關公開說明更新。
四、複核：人的判斷，也是法律上的判斷
複核是整條流程的核心，只有到這一步才會出現具法律意義的判斷。良好的複核環節包含依風險排序的佇列、統一的結論分類、必填理由與複核者紀錄。要強調的是，AI 判讀結果與人工複核結論應是兩個獨立欄位，合成一欄等於讓系統標記冒充成人的判斷。
五、處置：回到既有的行政程序
成案之後的處置是機關既有的案件作業：建案、分派、追蹤進度。自動化在這一段的角色是把佐證整理齊全——原句、擷取時間、來源網址與當時的頁面樣態，讓後續程序不必重新蒐證。哪些佐證形式符合行政程序需求，應由法制單位確認。
背後的技術組合：規則、分類模型與 LLM
AI 違規廣告檢測不是單一技術，而是三種方法的分工：
- 規則引擎：比對明確的高風險用語。可解釋、可稽核，但面對改寫與諧音幾乎無抵抗力，清單維護成本高。
- 分類模型：以標註樣本訓練判斷型態。能處理規則寫不完的變化，但需要穩定的標註資料且更新後須回測。
- LLM 判讀：理解語意脈絡，處理暗示、反諷與跨句組合的宣稱並產生理由；輸出穩定性需要設計，並須要求引用原句。
成熟作法是三者並用：規則負責明確用語，分類模型負責初篩，LLM 負責疑難判讀，最後匯入同一個複核佇列。這與內容審核的分層設計接近，AI 內容審核指南 有更完整的說明；若涉及個資處理界線，AI 合規指南 可作為盤點依據。
人工複核為什麼不可省略
AI 判讀結果與違法認定在法律上是不同層次的東西。系統能做的是指出某段文字符合某種高風險型態並附上佐證；個案是否違規，屬於主管機關依法定程序作成的判斷。這條界線一旦模糊，既可能讓合規內容被誤傷，也可能讓機關在後續程序中缺乏可支撐的紀錄。
- 佇列排序：依型態與信心分級排序，讓有限人力先看最可能成案者
- 結論分類：成案、不成案、待補資料的判準寫成文件
- 雙重確認：影響較大或型態較新者，由第二位複核者確認
- 回饋迴路：把複核結論回寫成標註樣本以修正規則與模型
評估一套 AI 違規廣告檢測方案該問什麼
方案差異很大，功能名稱卻很相似。與其比較功能表，不如把下列問題丟給廠商並要求實際示範：
- 涵蓋範圍：支援哪些平台與內容形式？各自如何取得與更新？
- 圖像與多模態：是否支援圖片內文字辨識與影像廣告判讀？若支援，準確率在什麼素材上量測？若不支援，圖片中的宣稱如何處理？
- 態樣可維護性：清單能否由機關自行調整？新增型態要多少前置作業？
- 依據呈現：每筆標記是否附原句與理由、可否回到原始頁面？
- 複核與落地：AI 判讀與人工結論是否分欄？資料儲存與運算在哪裡？
談準確率要避免只看一個總分。誤報（把合規內容標成疑似違規）消耗複核人力，漏報（把有風險的內容漏掉）形成監理缺口，分別對應精確率（Precision）與召回率（Recall），兩者此消彼長，取捨應由機關依業務目標決定。要得到可信結果，需要機關自行標註的樣本並定期回測，RAG 準確率怎麼提升 對評測資料集的建立有更詳細的討論。對未被標記的內容也應維持一定比例抽樣，否則只看得到系統找出來的東西。
誰需要 AI 違規廣告檢測
主管機關與稽查單位
痛點通常不是不會判斷，而是稽查人力與市場規模的落差，加上案件多由檢舉驅動。建立品類層級的基準資料後，機關可以看到風險型態分布、同一賣家跨平台的輪廓，以及先前被要求改正者是否修正。可參考政府與公部門解決方案。
電商與社群平台治理團隊
平台需要在賣家自由上架與平台責任之間取得平衡。自動化巡檢可在流通階段先標記高風險內容，交由治理團隊複核並依平台規則處理。這裡同樣要區分：平台依自訂規則的處理，與主管機關依法所為的認定，兩者不能互相取代。
品牌與法遵團隊
品牌方最常遇到的是自家文案沒問題，但經銷商或合作網紅的說法超出範圍。定期巡檢通路端的投放內容能在風險擴大前先發現，這類巡檢通常可建立在既有的內容蒐集基礎上，輿情分析是什麼 一文可作為背景理解。