2025年7月31日 星期四

2025 07 31 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 金融業運用人工智慧(AI)指引 一、 人工智慧(AI)相關定義 (一) AI 系統定義: (二)生成式 AI 定義:二、AI系統生命週期 主要包括以下4個階段:(一) 系統規劃及設計: (二) 資料蒐集及輸入:(三)模型建立及驗證: (四)系統佈署及監控:

 

2025 07 31 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 金融業運用人工智慧(AI)指引 一、 人工智慧(AI)相關定義 (一) AI 系統定義: (二)生成式 AI 定義:二、AI系統生命週期 主要包括以下4個階段:(一) 系統規劃及設計: (二) 資料蒐集及輸入:(三)模型建立及驗證: (四)系統佈署及監控:

金融業運用人工智慧(AI)指引

一、 人工智慧(AI)相關定義

   (一) 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

    (二)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.影片及

      5.程 式碼。 


二、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)系統佈署及監控:

      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。 

      金 融機構運用AI系統,可能為自行研發3並使用,因此包含上述4階 段。

      金融機構亦可能委託第三方業者研發或購入AI系統後,再佈署 該系統並監控,

      因此金融機構  不盡然均會   經歷上開4階段。

      金融機構 運用AI系統時宜辨識4個階段中可自行監控風險之程度,並得對自 身

     較無控制權的部分或事項,透過契約其他方式與合作廠商

      明訂風 險監控責任之分工。

       為簡化文字,本指引以

    「導入(introduce)」AI,表 示   前述(一)、(二)及(三) 3階段,

     以

     「使用(use)」AI      表達第(四)階段。 


至本指引之「運用(apply)」AI則   係  整體性概念包含上述4階段。




2025 07 31 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 養生之道 第一位:多踮腳,腳跟不著地 第二位:多握拳,伸展手指 第十四位:多扭腰,雙腳與肩同寬,雙手叉腰,緩慢轉動腰部 第十五位:多提肛,有規律地收縮、放鬆肛門 第十六位:多伸懶腰,全身伸展,儘量拉伸身體各部位

 

2025 07 31 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 養生之道 第一位:多踮腳,腳跟不著地 第二位:多握拳,伸展手指 第十四位:多扭腰,雙腳與肩同寬,雙手叉腰,緩慢轉動腰部 第十五位:多提肛,有規律地收縮、放鬆肛門 第十六位:多伸懶腰,全身伸展,儘量拉伸身體各部位

 養生之道


第一位:多踮腳,腳跟不著地

第二位:多握拳,伸展手指

第三位:多轉眼球,上下左右轉動

第四位:多叩齒,上下牙齒輕輕叩擊

第五位:多揉腹,以肚臍為中心,順時針輕柔打圈

第六位:多梳頭,用指腹從前額向後腦輕輕梳理

第七位:多搓耳,用雙手輕輕揉搓耳朵

第八位:多深呼吸,深吸氣時腹部隆起,呼氣時腹部下陷

第九位:多散步,選擇空氣清新的地方,步伐適中

第十位:多泡腳,水溫控制在40 - 45攝氏度,浸泡15 - 20分鐘

第十一位:多曬太陽,在陽光不強烈時,曬15 - 30分鐘

第十二位:多拍手,雙手用力對拍

第十三位:多聳肩,雙肩緩慢向上聳起,靠近耳朵,

                    然後放鬆放下

第十四位:多扭腰,雙腳與肩同寬,雙手叉腰,緩慢轉動腰部

第十五位:多提肛,有規律地收縮、放鬆肛門

第十六位:多伸懶腰,全身伸展,儘量拉伸身體各部位







2025年7月30日 星期三

2025 07 30 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 iPAS AI應用規劃師初級能力鑑定-考試樣題 科目二:生成式AI應用與規劃 下列何者最能表達No Code / Low Code平台的 主要特色?關於No Code AI工具,下列敘述何者最為準確?

  科目二:生成式AI應用與規劃



下列何者最能表達No Code / Low Code平台的  主要特色

 (A) 需要撰寫大量程式碼

 (B) 運用模板快速建立應用程式

 (C) 僅供專業開發人員使用 

 (D) 只能製作靜態網站 


關於No Code AI工具,下列敘述何者最為準確? 

 (A) 已經完全取代傳統的AI開發模式 

 (B) 只適用於大型企業

 (C) 是一種降低AI技術複雜性和開發成本的新興方法 

 (D) 工具都具有完全相同的功能和性能 


下列哪種情況,選擇Low Code平台  可能比   No Code平台  更為適合? 

 (A) 需要非技術人員快速進行開發與應用 

 (B) 應用需求簡單,無需自訂功能

 (C) 需要較複雜的業務邏輯並使用自訂整合功能

 (D) 預算和時間極度有限


關於生成式AI與No Code / Low Code平台的應用,下列何者  最不適 合

    (A) 自動生成程式碼 

     (B) 自動化生成行銷文案

     (C) 快速開發個人化App 

      (D) 自動化生成法律判決 


關於No Code / Low Code平台,下列敘述何者較正確

    (A) 兩者完全相同 

     (B) Low Code平台不需要任何程式設計知識 

     (C) Low Code平台更適合開發靈活且可擴展的解決方案 

     (D) No Code平台可以無限客製化



2025 07 30 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 iPAS AI應用規劃師初級能力鑑定-考試樣題 關於目前生成式AI 的 主要應用,不包括 下列哪一項?下列哪項是 生成式AI 支援 鑑別式AI 的 典型案例? 關於 自然語言處理(NLP)核心技術,下列敘述何者 不正確?關於「負責任的AI」,下列敘述何者較為正確?關於 生成式AI的 基本原理,下列敘述何者較正確?

 關於目前生成式AI  的  主要應用包括  下列哪一項?

    (A) 創建合成數據樣本

    (B) 模擬數據分佈 

    (C) 分類醫學影像 

     (D) 生成文本


下列哪項是  生成式AI  支援   鑑別式AI  的  典型案例? 

     (A) 模擬交通場景以訓練自動駕駛模型

     (B) 使用CNN對腫瘤分類

     (C) 使用SVM分析風險 

     (D) 創建更好的分類演算法  


關於  自然語言處理(NLP)核心技術,下列敘述何者 正確?

     (A) 語音識別技術將語音轉換為文本,並用於語音助理和語音輸入 

     (B) 自然語言生成技術可以生成自然流暢的文本,用於聊天機器人和自 動文案生成

     (C) 語意分析技術理解文本的語意,並主要用於語音識別和機器翻譯

     (D) 機器翻譯技術自動翻譯文本,促進多語言支援和全球溝通 


關於「負責任的AI」,下列敘述何者較為正確?

     (A) AI系統的開發者對AI系統的行為負責

     (B) AI系統的使用者對AI系統的結果負責

     (C) AI系統本身對其行為負責 

      (D) 政府對AI系統的發展負責 


關於  生成式AI的  基本原理,下列敘述何者較正確?

 (A) 生成式AI通過分析大量數據來生成新數據,模擬數據分佈以創造

        與 訓練數據相似的結果

 (B) 生成式AI主要通過預定義的規則來進行數據處理和分類

 (C) 生成式AI專注於數據分類和迴歸預測,幫助識別已知數據中的模式

 (D) 生成式AI通過自動化的方式清洗數據,提升數據分析的準確性  



2025 07 30 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 iPAS AI應用規劃師初級能力鑑定-考試樣題 在品質管理中,若一 產品的 生產過程 中 標準差 顯著偏大,通常意味著什 麼?在檢視 資料品質 時,可參考 資料的 變異程度 及 資料的 集中趨勢。 下列何 者 不屬於 資料集中趨勢 衡量的方法?銀行 想建立 聊天機器人,可透過下列哪一種領域技術來達成?線性迴歸模型 最適合 解決 哪種類型 的問題?

 

2025 07 30 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 iPAS AI應用規劃師初級能力鑑定-考試樣題 在品質管理中,若一 產品的 生產過程 中 標準差 顯著偏大,通常意味著什 麼?在檢視 資料品質 時,可參考 資料的 變異程度 及 資料的 集中趨勢。 下列何 者 不屬於 資料集中趨勢 衡量的方法?銀行 想建立 聊天機器人,可透過下列哪一種領域技術來達成?線性迴歸模型 最適合 解決 哪種類型 的問題?

 

在品質管理中,若一   產品的   生產過程  中  標準差  顯著偏大,通常意味著什 麼?

     (A) 資料點高度集中,產品質量穩定

     (B) 生產過程波動大,產品品質不穩定 

    (C) 資料無法反映產品實際狀況

    (D) 中位數數值高,品質良率較高


在檢視   資料品質  時,可參考   資料的   變異程度  及  資料的  集中趨勢

下列何 者 不屬於   資料集中趨勢  衡量的方法? 

     (A) 平均數(Mean)

     (B) 中位數(Median) 

     (C) 眾數(Mode)

     (D) 標準差(Standard Deviation) 


某醫院研究特定心血管疾病的成因,收集了  50名病患  與   150名正常人 的

年齡、血壓、血型  等三項  屬性變數

此研究適合使用下列哪一種機器 學習模型來建立?

    (A) 決策樹(Decision Tree) 

     (B) 線性廻歸(Linear Regression)

     (C) 基於密度之含噪空間聚類法

         (Density-Based Spatial Clustering of Application with Noise, DBSCAN) 

    (D) K-means聚類(K-means Clustering)


銀行  想建立  聊天機器人,可透過下列哪一種領域技術來達成? 

     (A) 資料庫管理技術

     (B) 機器學習與自然語言處理 

     (C) 網頁開發技術 

      (D) 網路安全技術


線性迴歸模型  最適合  解決   哪種類型  的問題?

     (A) 圖像分類

     (B) 銷售額預測

     (C) 聚類分析

     (D) 遊戲策略學習




2025年7月28日 星期一

2025 07 28 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 數位轉型階段 1.數位化 (Digitization) 2.數位優化 (Digital Optimization) 3.商模再造 (Business model reengineering)

 

2025 07 28 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 數位轉型階段 1.數位化 (Digitization) 2.數位優化 (Digital Optimization) 3.商模再造 (Business model reengineering)

 數位轉型階段 


1.數位化 (Digitization) 

將傳統的  實體資料  或  流程   轉換 為 數位形式, 

以便   更有效  地   儲存、處理  和  傳輸   資訊。 


2.數位優化 (Digital Optimization) 

透過   運用 數位   技術  和 工具, 提升現有    業務流程  和  系統   的   效率 和 效果, 

從而   提高   生產力  和  競爭力。 


3.商模再造 (Business model reengineering) 

創新  和  重新設計   企業的  業務模式, 以  適應   市場變化  和   技術發展

 從而    創造  新的   價值  和 收入  來源

2025 07 28 左永安 顧問/講師/委員/ 親愛的 左永安老師您好: 檢送114年共通核心職能課程師資回流暨研習會議結果及授課單元證明 KC BC DC 聘任函 有關勞動部勞動力發展署委託辦理「114年度產業人才投資方案業務工作」共通核心職能課程師資回流暨研習會議 結果及授課單元證明乙案,詳如說明,請查照。


2025 07 28 左永安 顧問/講師/委員/ 親愛的 左永安老師您好: 檢送114年共通核心職能課程師資回流暨研習會議結果及授課單元證明 KC BC DC 聘任函 有關勞動部勞動力發展署委託辦理「114年度產業人才投資方案業務工作」共通核心職能課程師資回流暨研習會議 結果及授課單元證明乙案,詳如說明,請查照。

 親愛的 左永安老師您好:

 檢送114年共通核心職能課程師資回流暨研習會議結果及授課單元聘任函證明







2025年7月27日 星期日

2025 07 28 左永安 顧問/講師/委員/ 親愛的 左永安 顧問,您好!非常感謝您對「114年度人才發展品質管理系統」的支持。單位名稱:社團法人***** 第二次輔導日期:2025/08/06

親愛的 左永安 顧問,您好!

非常感謝您對「114年度人才發展品質管理系統」的支持。

以下是受輔單位之資訊:
-------------------------------------------------------------
單位名稱:社團法人*****
第二次輔導日期:2025/08/06
輔導時間:14:00
輔導地址:******
申請人:****
輔導版本:訓練機構版


2025 07 28 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 迴歸分析中,通常有兩種主要類型的變數:自變數(Independent Variables):因變數(Dependent Variable):

 

2025 07 28 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 迴歸分析中,通常有兩種主要類型的變數:自變數(Independent Variables):因變數(Dependent Variable):

 迴歸分析中,通常有兩種主要類型的變數:


自變數(Independent Variables):

自變數  也叫   解釋變數  或  特徵,主要用來   預測    因變數

在迴歸分析中,我們會收集一些   自變數  的  數據

例如  房屋的大小、廣告的投放金額   等


因變數(Dependent Variable):
 

因變量  也較   響應    變量,是要  預測  或  解釋  的變量。

在迴歸分析中,建立一個模型,用  自變數的值   來預測   因變數的值

例如   房屋的售價、產品銷售

迴歸分析   的目標   是找到   自變數  和  因變數   之間的   關係

並建立一個    適當的   數學模型   來描述   這種   關係

最簡單的情況    是   一元線性迴歸

其中只有一個自變數和一個因變數之間的關係

可以用一條直線來表示,更進階的還有   多元線性迴歸  和  非線性迴歸


但我們要如何知道這條線是好是壞呢?

可以用   每個點  與  這條線  的  直線距離

來衡量   實際值  與  預測 值   的  誤差誤差越小模型越準確



2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 支援向量機 SVM (Support Vector Machine) KNN (K-Nearest Neighbor) 決策樹 Decision Tree 隨機森林與 GBDT (Gradient Boosted Decision Tree) 演算法 「熵」(entropy,雜亂程度)資訊增益 (information gain) 過度擬合 (overfitting)

 

2025 07 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 支援向量機 SVM (Support Vector Machine) KNN (K-Nearest Neighbor) 決策樹 Decision Tree 隨機森林與 GBDT (Gradient Boosted Decision Tree) 演算法 「熵」(entropy,雜亂程度)資訊增益 (information gain) 過度擬合 (overfitting)

 

決策樹 Decision Tree

決策樹是樹狀演算法的代表,

其延伸還有隨機森林與 GBDT (Gradient Boosted Decision Tree) 演算法。


決策樹的核心概念就是在尋找「重要的屬性」

怎樣才算是重要的屬性   會   因用途  而   有所不同,

但「重要的屬性」基本上   降低  某件事情的不確定性 的 數量」;


在分類問題中,就是希望   分割出來  的   群組內

越純、均一、同質性   越高越好

而  組間的差異   要大


決策樹的流程,就是在降低不純度同時理解這批資料。

最常見的分割原則稱為資訊增益 (information gain)

它是一種以「熵」ㄕㄤ(entropy,雜亂程度)作為純度衡量基礎的方法。

當  某個屬性  對分類越有用,代表我們透過該屬性建立的區隔,

能大幅降低 entropy,使   資訊增益   大幅提升。


舉例來說,若要在一批貓與狗的資料中區分二者,

「毛色」可能無法帶來   最大的資訊增益,而「耳朵形狀」

可能就能大幅降低分類的雜亂程度,大幅提高資訊增益。

因此「耳朵形狀」會是區隔貓狗中很重要的屬性。


樹狀結構  由根部開始   由上而下由根節點開始、每個節點  都用一個屬性

作檢驗,以分支出   更多的  內部節點  與  終端節點(即葉節點,為預測結果

構成。


在上述的例子中,「耳朵形狀」作為重要的屬性,更可能被放在上方的節點


決策樹有幾個特點:

  • 人類容易解釋 if-then 的模型結果
  • 資料若有些許變化,結果就會產明顯變化,預測性能稍差
  • 只能批次學習
  • 可處理   非線性的資料,但 不擅長處理    線性的資料
  • 樹狀結構   複雜多層   的情形下容易產生  過度擬合 (overfitting) 的問題

支援向量機 SVM (Support Vector Machine)

SVM 的概念其實不像它的名字一樣難以理解;

SVM 的目標,是在畫出一條決策分界線 (decision boundary)

決策分界線兩側找與這個邊界最相近的資料點作為 support vector

希望最靠近邊界的這些 support vector 可以與這條現有最大的距離,

以便區分二類。


另外,SVM 演算法還會使用「核心」 (kernel) 的技巧

核心 (kernel) 的概念就是,「在較低維度時無法以線性分割的資料,

將他們   轉至更高維度,就是能夠線性分割的」;


想像手機遊戲《水果忍者》,如果那些水果全都放在桌上(二維),

你很難用一條直線將他們區隔開來,但當他們被拋到空中,

你就能在空中(三維)畫出一個切面來分隔這些水果,

而這個切面在三維空間裡屬於線性但投射回平面,就可能是條曲線。


常見的核心技巧如

線性核心 (linear kernel)、

多項式核心 (polynomial kernel)、

RBF 核心 (radial basis function)


SVM有以下幾個特點:

  • 邊界最大化後,可得到一個平滑的超平面
  • 可利用 kernel 技巧分離非線性的資料
  • 可在線學習或批次學習

KNN (K-Nearest Neighbor)

KNN 演算法就如字面上意思一樣直觀,它會在輸入一筆資料 i 時

根據與 i 最鄰近的 k 個已知資料類別,去決定該筆輸入資料的類別。


這種演算法除了做分類用途,也能用來做近似項目的搜尋。

須注意的是,如果當某個屬性值出現在絕大多數的資料中可能會影響結果。


例如 100 筆資料中有 90 筆具 A 屬性、10 筆具 B 屬性,則有可能

在測試資料的眾多特徵都偏向 B 時卻被分為 A 類,

因此資料須先經過正規化處理。


另外,k 的選擇也可能大幅影響決策分界線的結果,

原因是 k 具有類似「投票票數」的概念。


因此,當 k 為偶數而 k 個最近鄰居有多個類別「票數」一樣多時,

或當 k 為目標類別數的倍數時,都會有難以判定類別的問題。

另外,當 k 的數量過小或過大時,

也會產生 overfitting 或 underfitting 的問題。

選擇 k 值時,通常會將資料間的距離與散布方向作為驗證參考。


KNN 演算法幾個特點如下:

  • 因為需計算每一筆資料之間的距離,計算上較耗時
  • k 的數量大幅影響預測的結果與性能

2025年7月25日 星期五

2025 07 25 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 「資安手法」 (A) 備援故障 (B) 惡意攻擊 (C) 存取失敗 (D) 加密錯誤 (A) 加密強度不足 (B) 權限控管失誤 (C) 備份頻率過低 (D) 認證流程複雜 (A) 區塊鏈分散儲存 (B) 人工智慧資安防護 ( C) 備援容錯設計 (D) 零信任登入機制

「資安手法」


 (6). 公司A部署一套 AI 系統,自動檢查所有來自外部的電子郵件內容與連結,

        判 斷是否可能為釣魚攻擊,這種做法是針對哪類風險? 

       (A) 備援故障 

       (B) 惡意攻擊 

       (C) 存取失敗

       (D) 加密錯誤 

正確答案:B 

解題邏輯:釣魚信件屬於社交工程型態的惡意攻擊,  AI 可協助主動辨識。 


(7). 在災難情境演練中,企業 IT 團隊模擬主機故障後,迅速從異地備份恢復

       營 運,這主要是為了確保資料的哪項特性? 

     (A) 加密性 

     (B) 匿名性 

     (C) 可用性 

      (D) 私密性 

 正確答案:C 

解題邏輯:備份與異地復原機制是為了在故障或災難後,讓系統與資料

                    可 迅速回復使用,屬於可用性保障。

( 8). 某國際公司在進行跨國資料傳輸時,必須特別考量當地法律對資料

         跨境限制。 此情境主要涉及: 

      (A) 資料偽造問題 

      (B) 合規問題 

      (C) 系統負載問題 

      (D) 使用者介面問題 

 正確答案:B 

解題邏輯:跨國資料傳輸需符合各國資料隱私法(如 GDPR、PIPL),

                    屬合 規性挑戰。 

(9). 一名內部工程師將含有客戶個資的報表上傳至公開雲端硬碟供同事下載,

       結果 外部人士也能取得。此事件最可能導因於: 

       (A) 加密強度不足

       (B) 權限控管失誤

       (C) 備份頻率過低

        (D) 認證流程複雜  

正確答案:B 

解題邏輯:開放存取雲端報表卻未設定適當權限,為典型的存取控制失 誤。 


(10). 在 AI 驅動的資安系統中,系統能夠學習過去的攻擊模式,主動辨識並封鎖

        異 常行為。這類應用最符合下列哪一種趨勢?

           (A) 區塊鏈分散儲存 

           (B) 人工智慧資安防護 

          ( C) 備援容錯設計

           (D) 零信任登入機制  

正確答案:B 

解題邏輯:題目明確提到 AI 學習與自動辨識攻擊,屬於人工智慧在資安 防護上

                   的應用。

2025 07 25 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 「資安手法」 (A) 存取控制 (B) 資料完整性 (C) 加密管理 (D) 系統備援 (A) 偽裝技術 (B) 假名化 (C) 授權控制 (D) 備援轉移 (A) 可用性 (B) 完整性 (C) 匿名性 (D) 可讀性

 「資安手法」


(1). 某公司計畫將員工登入系統的流程升級,導入多重驗證(MFA)機制

       讓員工 在密碼外還需透過簡訊或APP驗證碼登入。

       此做法的主要目的為: 

      (A) 提高資料可用性

      (B) 增強使用者匿名性

      (C) 強化身份驗證安全

      (D) 優化資料儲存速度 

 正確答案:C 

 解題邏輯:多重驗證(MFA)是強化身份驗證的一種方式,

                     目的在於避免 帳號遭未授權人員登入。


(2). 在一次資料外洩事件中,企業雖已加密資料,但仍被駭客成功獲取資料。

       經查 發現是因加密金鑰保管不善所致。

      此問題最可能出現在下列哪一環節? 

      (A) 存取控制 

      (B) 資料完整性

      (C) 加密管理 

      (D) 系統備援  

正確答案:C 

解題邏輯:加密技術需要安全管理金鑰,若金鑰管理失當,

                     等於失去加密 保護的效用。


( 3). 某研究機構進行大型人口資料分析,為避免違反個資法規,他們將資料

        經處理 後,使其無法回溯到個體身分。

      此做法稱為: 

      (A) 偽裝技術 

      (B) 假名化 

      (C) 授權控制

      (D) 備援轉移 

正確答案:B 

解題邏輯:假名化會用代碼代替個人資料,雖仍可回溯,風險比原始資料 小。 


 (4). 某企業發現有員工於深夜頻繁存取大量客戶資料,疑似異常行為。

       若要即時偵 測此類問題,企業應導入: 

        (A) 加密傳輸協議 

        (B) 零信任架構 

        (C) 資料匿名化

        (D) 存取監控系統 

 正確答案:

 解題邏輯:資料監控系統可追蹤與分析存取行為,判斷是否有潛在內部威 脅。


( 5). 一家醫療公司計畫將病患資料儲存在區塊鏈平台,以確保資料在研究

       過程中未 被更改。此舉主要保障資料的:

     (A) 可用性 

     (B) 完整性

     (C) 匿名性

     (D) 可讀性 

正確答案:B 

解題邏輯:區塊鏈的不可竄改特性有助於確保資料未經更動,維持資料完 整性。




2025 07 25 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 「資安攻擊手法」 (A) SQL 注入攻擊 (B) 網路釣魚(Phishing) (C) 植入後門(Backdoor) (D) 拒絕服務攻擊(DoS) (A) 間諜軟體 (B) 殭屍網路 (C) 勒索軟體 (D) 零信任攻擊 (A) XSS 跨網站指令碼攻擊

 

2025 07 25 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 「資安攻擊手法」 (A) SQL 注入攻擊 (B) 網路釣魚(Phishing) (C) 植入後門(Backdoor) (D) 拒絕服務攻擊(DoS) (A) 間諜軟體 (B) 殭屍網路 (C) 勒索軟體 (D) 零信任攻擊 (A) XSS 跨網站指令碼攻擊

 「資安攻擊手法」


A. 某公司收到了來自「銀行」的電子郵件,要求財務人員點擊連結並重新登入帳 號

    以完成身分驗證。財務人員點擊後發現進入了一個與真實網站幾乎相同的頁 面。

     這種攻擊手法屬於: 

      (A) SQL 注入攻擊 

      (B) 網路釣魚(Phishing) 

      (C) 植入後門(Backdoor) 

      (D) 拒絕服務攻擊(DoS)

 正確答案:B 

 解題思維:假冒信件與網站誘騙使用者輸入個資,是典型網路釣魚攻擊方 式。


B. 一家公司內部電腦在插入陌生 USB 裝置後,系統自動執行了不明程式,

     導致 重要資料被加密並要求支付贖金才能解鎖。這最可能是哪一類攻擊?

   (A) 間諜軟體 

    (B) 殭屍網路

    (C) 勒索軟體

     (D) 零信任攻擊 

 正確答案:C 

 解題思維:資料被加密並要求贖金,是典型勒索軟體(Ransomware)攻擊 行為。


 C.一位攻擊者在不被察覺的情況下,攔截了使用者在公共 Wi-Fi 中與網銀網站間 的

    通訊內容,成功竊取了帳號與密碼。此攻擊手法為:

     (A) SQL 注入 

     (B) 中間人攻擊(MITM) 

    (C) 跨網站請求偽造 

     (D) DNS 放毒 

 正確答案:B 

 解題思維:在通訊過程中攔截資料並可能竄改資訊,是中間人攻擊的典型 手法。


   D. 駭客透過在網站的搜尋框中輸入特定的指令碼,導致其他訪客瀏覽該頁面時

       自 動執行惡意 JavaScript,進而竊取他們的 Cookie。

      此手法稱為: 

      (A) XSS 跨網站指令碼攻擊 

      (B) SQL 注入 

     (C) 社交工程

     (D) 網路釣魚 

 正確答案:A 

 解題思維:在網頁中插入惡意腳本,使其他用戶在瀏覽時被攻擊,

                      是 XSS 攻擊的經典案例。 


E. 駭客團體藉由控制數以萬計的感染電腦,在某日同時對某公司網站發送大量

    連 線請求,使其網站無法正常回應用戶需求。

     這種攻擊屬於:

     (A) 社交工程攻擊

     (B) DDoS 分散式阻斷服務攻擊

     (C) 偽造認證攻擊 

     (D) 側信道攻擊

 正確答案:B 

   解題思維:大量分散來源的連線癱瘓網站,

                       是 DDoS 攻擊(Distributed Denial of Service)的典型行為。 

2025年7月24日 星期四

2025 07 24 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 鑑別式 AI:定義與運作原理 鑑別式AI發展歷程久遠,擁有眾多成 熟的 機器學習 演算法 與技術,包括: 決策樹 (Decision Tree)– 隨機森林 (RandomForest)–類神經網路 (Artificial neural network)–

 

2025 07 24 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 鑑別式 AI:定義與運作原理 鑑別式AI發展歷程久遠,擁有眾多成 熟的 機器學習 演算法 與技術,包括: 決策樹 (Decision Tree)– 隨機森林 (RandomForest)–類神經網路 (Artificial neural network)–

 鑑別式AI

旨在  區分  不同  類別  或  預測  輸出   標 籤(label)

模型   透過大量   已標註資料   學習    輸入    與   目標  之間的   對應關係

以在給定    新 輸入 X時  預測  其   標籤

• 訓練時以 (X, Y) 標註資料為基礎,優化出 可將  不同類別資料  分隔 的 決策函數。 

• 例如分類器以虛線為決策邊界,將藍 色和綠色兩群資料點正確區隔開來。

• 鑑別式模型需仰賴充足且高品質  標註資料 進行  監督式學習,

  以獲得良好分類性能。 

• 在製造業中,鑑別式 AI 常用於瑕疵檢測 、產品分類等,

   需要即時判定「是/否」、 「屬於哪一類別」的場景。


鑑別式AI發展歷程久遠,擁有眾多成 熟的  機器學習   演算法   與技術,包括:

 

決策樹 (Decision Tree)– 

利用   樹狀結構    根據 特徵閾值   進行  資 料 劃 分,生成易解釋的規則,

並   運 用規則   進行分類。 


隨機森林 (RandomForest)– 

隨機森林  則是   由多棵決策樹   組成的 集成學習模型(Ensemble Learning Model)

結果   由   多數決 或  平均   決定。提升  分類準確率   並  降 低  過度配適   風險


類神經網路 (Artificial neural network)– 

層神經網路   可學習複雜  的  非線性  關 係,用於   各類   預測  與   分類  任務。

– 其中,

卷積神經網路 (CNN) 在影像識 別中表現突出,

適用於   產品瑕疵檢測 、人臉識別   等

2025年7月23日 星期三

2025 07 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 從AI趨勢掌握綠色轉型商機 當前AI技術正快速邁向2.0時代,隨著技術日趨成熟,生成式AI正逐步走出實驗室、邁入產業應用階段。全球生成式AI應用市場已進入高速成長期,市場規模預計將從2023年的113億美元,成長至2028年的519億美元,年均複合成長率(CAGR)高達35.6%。

 

2025 07 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 當前AI技術正快速邁向2.0時代,隨著技術日趨成熟,生成式AI正逐步走出實驗室、邁入產業應用階段。全球生成式AI應用市場已進入高速成長期,市場規模預計將從2023年的113億美元,成長至2028年的519億美元,年均複合成長率(CAGR)高達35.6%。

 

從AI趨勢掌握綠色轉型商機


可透過AI模擬離岸風場的環境與風機分布,找出最佳發電效益的配置。圖/本報資料照片

可透過AI模擬離岸風場的環境與風機分布,找出最佳發電效益的配置。圖/本報資料照片

文/工研院產科國際所研究經理 石立康


      當前AI技術正快速邁向2.0時代,隨著技術日趨成熟,生成式AI正逐步走出實驗室、邁入產業應用階段。根據多家研究機構的預測,全球生成式AI應用市場已進入高速成長期,市場規模預計將從2023年的113億美元,成長至2028年的519億美元,年均複合成長率(CAGR)高達35.6%。

        其中,2023年北美仍為全球最大市場,占比34.8%;然而亞洲市場成長動能最強,占比達22.1%,預估CAGR可達41.7%,顯示亞洲地區未來在生成式AI領域的關鍵角色。

    這股成長動能來自產業應用需求的全面擴張。

       麥肯錫報告指出,生成式AI在多元產業及企業職能中,展現出顯著的營收增長潛力。例如,行銷與銷售、銀行、保險、電信等領域的客戶服務,以及先進電子與半導體、先進製造、製藥與醫療等高科技產業的產品研發,皆能藉由生成式AI有效提升效率與創新。

     此外,生成式AI也正加速教育、法務、企業管理、社區服務、創意藝術等領域的自動化發展。特別值得注意的是,工作者教育程度愈高,其職務可被AI支援或優化的潛能也愈高,顯示生成式AI對知識密集產業的深遠影響。

    在這波AI驅動的產業升級中,「綠色轉型」也成為各界關注的關鍵方向。無論是鑑別式或生成式AI,皆具備協助產業達成淨零目標的潛力。

       短期內,以「節能減碳」為導向的應用尤為迫切。面對全球淨零排放趨勢,以出口為導向的台灣產業勢必受到衝擊,特別是高耗能的石化、電子、鋼鐵、水泥、紡織、造紙等行業。

政府亦規劃於2030年前投入9,000億元,推動邁向2050年淨零排放的目標。

      AI與大數據的整合應用正是實現低碳製造的有效途徑。

      在製造業中,AI結合大數據技術,可透過製程優化、品質預測、智慧排程等方式提升能源效率,並從製程減碳、資源配置最佳化、設備健康管理等面向減少碳排放與能耗。

     例如,工研院協助中油輕油裂解廠導入AI技術,透過數據分析與參數建議值導出,在確保產品品質的同時,有效降低能耗與每年約2萬噸的碳排放量。

       中期來看,各產業「特定應用」也帶來廣泛綠色商機。

      以能源產業為例,可透過AI分析太陽能發電與用電端的最佳轉供組合

模擬離岸風場的環境與風機分布,以找出最佳發電效益的配置。在半導體產業,

亦有國內業者將光罩生成轉向結合AI演算法與GPU運算,不僅大幅縮短開發時間

與成本,同時實現節能效益。

      展望未來,生成式AI將成為驅動綠色轉型的關鍵力量。已有業者開始將生成式AI應用於智慧製造場域,例如利用虛擬主播快速生成多樣化內容,或

     導入小語言模型(sLM)與AI代理人,使AI能學習產業知識與作業流程,進而優化加工順序與排程,達到提效降本的目的。

總結來看,生成式AI不僅是企業創新的引擎,更是實現永續目標的推進器。未來誰能有效整合AI技術與綠色轉型策略,將在全球競爭中搶占先機,開創兼具效能與永續的新局。