生成式 AI的實現方式多種多樣
包括不同的模型架構與演算法:
生成對抗網路(GAN):
由一個 生成器 和一個 鑑別器 組成，
透過競賽方式 讓生成器產生越來越逼真的資料，多用於圖像等內容的生成 。
Transformer架構:
是一種以 自注意力機制 為 核心 的 神經網路模型，
主 要應用於 自然語言處理(NLP) 等領域。
它的 關鍵創新在於
不使用傳統的 循環神經網路(RNN:一個字一個字慢慢看)，
而是透過 同時關注序列 中 所有元素之間 的 關係 來捕捉資訊。
目前文字領域中最主流的
是以Transformer為基礎的
大型語言模型(LLM) ，如 GPT-4，
能夠 擅長 理解上下文 並生成 長篇連貫 的文本。
數位轉型的基礎
在於「數據」與「創意」，其中
數據 是 讓企業 「長眼」，
創意 是 提高客戶「體驗」。
而在導入的面向與操作上，轉型的「內功」與「外功」都相當重要，
內功指的是
「組織文化與領導」、「營運」、「組織結構」、「人力資源」、「IT資訊」，
外功則指
「顧客獲取」、「顧客關係維持」、「顧客關係深化」三大面向。
數位轉型全攻略：虛實整合的WHAT，WHY與HOW
台大商學院教授 黃俊堯
不論領域、大公司、中小企業 都在談 數位轉型，
但 想要轉 跟 怎麼轉 永遠是兩回事，
不要讓 數位轉型 成為你們 公司的痛點。
對的觀念→
數位轉型 不是一個選項，而是每家企業的求存不歸路。
它使 製造端 的 產業價值鏈 出局，
顧客端 的 價值網絡 為王；
效率 變 其次， 重在 效能。
因此，從一開始 就要「做對的事」，
而各行業「對的事」不同：
零售業 重點在 全顧客 的 虛實整合服務，
金融業 在 降低交易成本，
製造業 在 市場需求 的 無縫滿足，
媒體業 則在 以多元溝通 有效 經營分眾。
對的策略→
用５個視角，提供經營者一個方便的數位轉型策略架構——
視角1.你怎麼看
視角2.怎麼自我定位
視角3.要往哪裡走
視角4.採取什麼模式
視角5.要用什麼方法？
從中理解數位轉型的本質，在企業「不斷再合理化」的長期進程，
不管是B2B或B2C，都可以找出 自己的方向。
做對的事→
數位轉型是結合數據與創意的修練。
企業在組織經營面向，
要修練５個「內功」——IT、營運、人力資源、組織、領導；
在顧客經營面向，
要修練２個「外功」——整體客群的動態經營、個別顧客的關係經營。
並一一提供具體做法、建議與實例。
50+案例數據應用→
米其林．樂高．亞馬遜．Nike．BMW．Netflix．UNIQLO．Airbnb．資生堂．樂天．VOLVO．Gogoro．星巴克．玉山銀行．萊雅．雄獅旅遊．Adobe．達美樂．迪士尼．•銀泰百貨．華盛頓郵報．家樂福．雀巢．TOYOTA．神腦．西門子
數位轉型
在製造領域 的具體體現之一 就是
智慧製造:
– 透過 物聯網 (IoT) 感測器 將 機械設 備、產線、人員 及系統 連結，
工廠 可即時收集 生產資料 並 進行分析， 以 優化流程 和 減少浪費。
– 同時，自動化機器人 廣泛運用於 重 複性作業，提升產線 速度 和 精度。
整體而言，智慧製造透過「設備自動 化 + 資料驅動決策」的模式，
為傳統 工廠 帶來前所未有的 敏捷 與 效率。
圖片來源: OOSGA，工業4.0的定義為何？有哪些科技與應用？
AI應用人才常見職稱
既有職稱 : 行銷專員 行政助理 人資專員..等
目前 AI應用人才的 職稱命名 仍具有相當的 彈性與過渡性,
需依照 產業特性 與 職務內容 來判斷是否加註AI相關字樣。
台海兩岸影視文創交流協會
2025 慶祝雙十・以歌會友
熱烈歡迎
洛杉磯華美表演藝術協會
LA Chinese American Performing Arts Association
時間:2025年10月12日(星期日)
16:30報到;17:00節目開始
地點:中華民國 新北市
資料分析：
AI 的 智慧 核心 資料分析
是利用 機器學習 和 其他分析技術 從清理後的數據中 提取洞見 的過程。
在AI中，這通常 涉及訓練模型 以
進行 預測、分類或 發現 模式，根據問題類型 選擇 合適的算法。
分析類型：
1.監督學習：
基於 標籤數據 訓練模型，
例如
1.1回歸（預測連續值，如房屋價格）或
1.2分類（預測類別，如客戶是否流失）。
1.3常見算法包括
1.3.1邏輯回歸(監督學習)
1.3.2支持向量機（SVM）監督學習
1.3.3神經網路(監督學習)
2.無監督學習：
在無標籤數據 上 發現模式，
如
2.1 k-means聚類（分組相似客戶）或
2.2 主成分分析（PCA，降維）。
3.深度學習：
使用神經網路處理複雜任務，
如
3.1圖像識別（卷積神經網路，CNN）或
3.2自然語言處理（循環神經網路，RNN）。
iPAS AI應用規劃師初級能力鑑定-考試樣題
科目一：人工智慧基礎概論
人工智慧基礎概論 (L11)
L111 人工智慧概念
L11101 AI定義與分類
L11102 AI治理概念
如框架、歐盟等國內外相關 政策法規等
L112資料處理與分析概念
L11201 資料基本概念與來源
大數據、資料型態與結構， 如:數值型資料、文字資料、 圖像資料等
L11202 資料整理與分析流程
如:資料收集、清理、分析和 呈現等
L11203 資料隱私與安全
L113機器學習概念
L11301 機器學習基本原理
機器學習基本原理與目的
L11302 常見的機器學習模型
機器學習模型與評估，
如監督式學習、非監督式學習、半監督式學習、強化式學習
L114鑑別式Al vs 生成式AI
L11401 鑑別式 AI 與生成式 AI 的基本原理
基本原理、運用技術、目的 與特性
L11402 鑑別式 AI 與生成式 AI 的整合應用
應用場域與情境，如電腦視覺、語音辨識、生成技術等
AI依應用目的不同
可分為鑑別式AI與生成式AI，
鑑別式AI 擅長 區別 不同數據類型；
生成式AI 基於 數據生成、文本分析的能力，發展
內容生成、翻譯、對話等應用。
鑑別式AI
針對 預定義的類別 進行 數據分析，適用於 分類、分群、回歸等任務，
目標 是找到最適函數，用以區別不同數據類型
生成式AI
利用 大規模資料 進行訓練，大幅提升自然語言處理能力，
生成式AI 可以 理解 數據特徵，再生成類似的新數據，
有利於智慧工廠的 人機互動應用。
鑑別式AI 可以透過 分類訓練 判斷出是否有瑕疵，
生成式AI 會以 圖片特徵 為基礎，加入更多 圖片特徵，生成瑕疵樣態
作為 訓練數據 來源。
鑑別式AI與生成式AI
對於智慧工廠的影響面向不同，
鑑別式A I 著重於處理特定任務，
例如瑕疵檢測、需求預估、庫存管理等；
生成式AI 利用
大型語言模型（Large Language Model，LLM）
對於文本理解 的 優勢，讓使用者簡易了解 問題狀況 與 後續作法。
鑑別式AI與生成式AI各有應用範疇，彼此並非替代關係，
鑑別式AI 應用在 語音識別、圖片辨識、數量預測 等範疇，
生成式AI 應用在 圖像創造、音樂合成、程式編碼和文字生成。
因為製造業容易受到環境影響
生成式AI 能透過
擷取增強生成（Retrieval-Augmented Generation，RAG）
掌握 即時資料、分析 多種資料來源，同時採用
自然語言輸入 的人機互動方式，
降低人員系統操作時間，
填補 鑑別式AI應用 未被滿足的需求缺口。
AI產業人才能力類型說明表
AI 應用素養
AI 工具應用
AI 程式語言應用
AI 模型訓練
AI 服務開發
人工智慧(AI)相關定義
AI 系統定義：
係指 透過 大量資料學習，利用 機器學習 或
相關 建立 模型 之 演算法，進行
1.感知
2.預測
3.決策
4.規劃
5.推理
6.溝通
等 模 仿人類 學習、思考 及 反應模式 之 系統。
生成式 AI 定義：
係指 可以生成 模擬 人類智慧 創造 之 內容 的相關 AI 系統，
其內容形式包括但不限於
1.文章
2.圖像
3.音訊
4.影片
5.程 式碼
AI系統生命週期
AI 系統的生命週期主要包括以下4個階段：
(一) 系統規劃及設計：
設定 明確的 系統目標 及 需求。
(二) 資料蒐集及輸入：
資料蒐集、處理 並 輸入資料庫 之階段。
(三)模型建立及驗證：
選擇 與 建立 模型演算法 及 訓練模型，並對 模型 進行驗證
以 確保 模型 效能、 安全性 與 機密性。
(四)系統部署及監控：
將系統應用於實際環境中，且關注模型 是否已 完備，
並 持續監控 以 確認 系統 所帶來之潛在影響。
