在人工智能迅速滲透企業營運的時代，單靠「導入AI」已不足夠，更關鍵在於如何有效治理 AI，確保其安全、合規及可控。

參加由 Splunk × edvance 聯合舉辦的專題分享會，活動由擁有超過 10 年經驗的專業導師帶領，讓您在品嚐多款精選日本清酒的同時，以輕鬆愉快的氛圍交流及掌握 AI 治理的關鍵趨勢。

活動亮點：

🧠 AI 治理最新洞察：
- 剖析企業導入 AI 所面對的挑戰，包括合規、數據私隱、模型風險及營運透明度

🛡️ Splunk AI Governance 解決方案：
- 透過 Splunk 平台，全方位掌握 AI 生命周期：

• 合規 (Compliance)：確保符合法規及企業政策
• 安全 (Security)：防範模型攻擊與數據洩露
• 可觀測性 (Observability)：持續監控 AI 表現與行為

📊 由 AI Adoption 邁向 AI Assurance：
- 整合分散數據，打造可視化治理儀表板，提升透明度、效能及成本控制能力

代理式人工智能（Agentic AI）憑藉其可自動執行任務的能力，大幅提升企業營運效率，迅速成為市場上的「新寵兒」。然而，這種高度自主的特性，同時亦帶來前所未有的網絡安全挑戰。《Fortinet - Agentic AI 安全攻防戰》系列將一連三集，由 Fortinet 北亞區首席信息安全官鄺偉基（Daniel）深入剖析企業在部署 Agentic AI 時不可忽視的安全關鍵。第一集率先由 Agentic AI 的核心基礎 ── Kubernetes 出發。

Agentic AI：自動執行帶來的雙刃劍風險

人工智能技術經歷多年演進，從機器學習（Machine Learning）、生成式 AI（Gen AI），發展至當前備受關注的 Agentic AI。與過往 AI 最大的不同，在於 Agentic AI 不再只是「提供答案」，而是具備「自動執行」的能力。

這種能力既是 Agentic AI 最大優勢，同時亦是潛在風險來源，Daniel 指出：「以前 AI 即使答錯，只要人不採納執行，問題未必發生；但現在 Agentic AI就算判斷錯誤，也可能直接執行，後果可以非常嚴重。」他引用一宗海外初創公司的真實案例，由於 Agentic AI 發生錯誤操作，系統在短短 9 秒內刪除了包括備份在內的所有數據，造成重大損失。

Daniel 又以「養龍蝦（OpenClaw）」為例，僅僅推出大半年，相關的 CVE 漏洞已累積數量至 478 個，其中約 190 個更屬於高至嚴重風險級別（CVSS4.0）。這反映出，在高度自動化且缺乏人工監督的情況下，一旦發生配置錯誤或遭受黑客入侵，影響將被迅速放大，風險不容忽視。

Kubernetes：Gen AI 與 Agentic AI 的基礎

無論是 Gen AI 還是 Agentic AI，其背後往往以 Kubernetes 作為運行基礎。Daniel 強調，容器化網絡（Container Network）與傳統網絡架構存在顯著差異，對企業的技術能力與安全管理要求亦更高。

在傳統環境中，企業開發應用程式的資源規模通常較固定，例如只需運行約 8 至 10 部虛擬機（VM）；但在 Kubernetes 環境下，資源可按需求快速擴展，當流量急升時，系統能在短時間內擴展至數百個工作負載（Workloads），而當需求下降時，又會即時回收資源。這種高度動態與彈性的特性，令整個 IT 環境變得更複雜，也更難監控。

不少企業其實早已導入 Kubernetes，但由於過往應用規模較小、擴展速度較慢，加上傳統防火牆未必支援相關架構，導致 Kubernetes 的安全性長期被忽視，甚至處於「無王管」狀態。隨著 Agentic AI 日趨普及 Kubernetes 部署規模急速膨脹，安全性情況將更為嚴峻，成為企業不能忽略的重點。

分隔機制：Kubernetes 安全的第一道防線

在 Kubernetes 安全策略中，「分隔（Segmentation）」被視為最關鍵的基礎防護措施。Daniel 以簡單比喻說明：「如果將所有資源混雜在一起，會很難管理；但如果分開成 100 個區域，每個區域都清晰可見，就容易控制得多。」

透過有效的分隔機制，企業可以大幅降低攻擊面，並限制潛在威脅的橫向擴散。這就如同設置隔離病房，即使某個區域受感染，也不會迅速蔓延至整個系統，避免「火燒連環船」。

然而，現時市場上不少傳統防火牆仍未能支援 Kubernetes 原生架構，令分隔措施難以真正落實。Daniel 指出，Fortinet 的防火牆（FortiGate）已內建針對 Kubernetes 環境的安全功能，能有效進行分隔。FortiGate 可每隔數十秒自動偵測 Kubernetes 環境中的變化，並以「工作負載」（Workload）為核心進行標籤識別與微分段管理，而非單純依賴傳統的 IP 地址，從而實現更精準、及更動態的分隔，全面提升防護能力。

此外，FortiGate 具備強大的整合能力，能無縫連接不同雲端平台及混合雲環境，並與 Fortinet Security Fabric 內的其他安全方案（如 SIEM、EDR、ZTNA 等）協同運作。

建立全面防護：由 Kubernetes 開始

企業若要安全地部署 Agentic AI，必須由底層基礎設施著手，而 Kubernetes 的安全正是最關鍵的一環。在完成有效的分隔與防護後，企業可進一步透過 API 建立更全面的可視性（Visibility），並結合 SIEM 系統進行持續監察與分析。

隨著 Agentic AI 持續發展，企業面對的安全挑戰越趨複雜，必須提早部署完善的 Kubernetes 安全策略。Fortinet 將舉辦 SIEM 專題工作坊，協助企業全面應對 Agentic AI 帶來的新一代安全挑戰。立即登記參加，掌握實戰防護策略，為企業建立更穩固的 AI 安全基礎。

【工作坊詳情】

日期：Jul 14, 2026 (Tue)
時間：3:00 – 4:30 pm
地點：Fortinet Office
報名連結：https://tinyurl.com/jx7hkhvs

政府正積極推進的士及網約車規管框架，本地數碼生活平台 DASH 及其網約車平台 DASH Taxi 公布，與香港科技大學（科大）合作研發的人工智能需求預測系統「StreetSights」取得突破性成果，協助的士司機更精準掌握乘客需求分佈，提升接單效率及收入，為香港智慧出行發展提供具體解決方案。

此項目結合科大在交通系統、模型及人工智能流動性分析方面的研究實力，以及 DASH Taxi 在本地的實際營運數據與經驗，展示如何將本地數據轉化為可落地應用的方案，支持香港智慧出行規劃。

街頭截車一直是香港最重要的出行模式之一，約佔全港的士需求約六成，承載著大量市民往返交通樞紐與目的地之間的日常出行需求。然而，相較網約服務模式，傳統的士線下營運一直較難以數據化及系統化方式優化。

以本地的士營運為基礎　有望在全港交通廣泛應用

「StreetSights」正是針對此痛點而設。該系統將香港劃分為 350 多個區域（每區平均面積為 3.75 平方公里），並以 15 分鐘為時段間隔，精準預測各區的乘客需求及空置的士供應。系統透過收集並分析約 2,000 輛活躍的士數據，在預測「的士需求最為殷切區域」方面，達到了高達 90% 以上的平均準確度。此模型乃基於 6,450,434 個載客行程記錄建構而成，是香港有史以來針對「街頭攔截（Street-hail）」式的士所匯集的最大型數據庫之一。

DASH 聯合創辦人及董事合夥人馬兆鏘（Jason）表示，香港交通節奏瞬息萬變，的士司機多年來主要依靠經驗判斷路線，「我們結合科大的科研經驗與 DASH 的真實數據，為他們提供更精準的資訊，並配以的士司機的豐富路上閱歷，讓每一程都更有效率」。

香港科技大學工程學院院長兼極智慧城市研究院創始主任羅康錦教授則表示，香港一直是一個高流動性的城市，是次合作的重點在於以更智能的方式推動城市運行。

以質為先：提升效率與收入　創造多方共贏局面

在正式推出前，雙方利用標準工作日的歷史營運數據進行了嚴謹的模擬測試。測試中隨機選取 100 名司機，並為每人建立一個以系統建議行駛的「虛擬司機」作對比。這些「虛擬司機」的工作時間和出發地點與真實的士司機完全相同，但結果顯示，採用「StreetSights」建議的「虛擬司機」，其完成訂單數量平均提升 31.2%，每日車資收入亦增加 16%。

相關結果顯示，透過「StreetSights」，司機候單時間大減三成，配對效率提升 14.7%，直接帶動司機收入與營運效率上升。正因如此，乘客亦受惠於更精準的預測調度，尤其於繁忙時段候車時間顯著縮短，長遠可獲得穩定可靠的出行服務。

項目下一階段將於 2026 年第四季進行實地拆分測試，以進一步驗證成效。