恭喜! 左永安顧問
通過 ICAP 職能導向課程
課程名稱：生成式AI行銷素材實 務班
30小時認證
訓練期間：民國114年05月05日起 至114年05月16日
T1.1 選擇AI工具
T2.1 遵守AI使用規範
T3.1 應用AI創造行銷素材
訓練需求分析（Training Needs Analysis，TNA）
訓練需求分析 是替 企業 或 組織 瞭解
1.「為什麼需要訓練」
2.「什麼人需要訓練」
3.「由 誰來訓練」
4.「如何訓練」
5.「期望的訓練成果為何」
等問題。
訓練需求分析 是 訓練規劃 程序中 非常重要的一環。
可幫助 管理者 或 訓練工作者
決定 組織訓練計劃 的 目標 及 內容。
為了發展一個 有效的 訓練計劃，
訓練工作者 有需以 系統的方法
蒐集 和 分析 訓練需求 相關的資料，包括如
企業 或 組織
1.目標
2.策略
3.績效
4.員工的工作表現
等，並 確認 透過「訓練」可能達成 的 改善效果。
訓練需求分析常透過
1. 組織分析
2.工 作分析
3. 個人分析
三個層次，尋找 並 發現 組織內部的 訓練需求，以及
需要學習 何 種 知 識技能 與 行為態度，
進而 期望 透過學習 將其成果 轉化至 工作上，以期有助於
工作 及 組織績效 的提升。
三類專業人員 您好：
感謝您參加 114年TTQS三類專業人員回流訓練課程
職能的定義
Competence 能力
係指 能力 的 資格 或 要件。
Competency
係指 高績效者 的 行動特性。
高績效者
係指 穩定、經常維持 高績效 的人 而言。
在美國最具代表性的Competency定義，
即是 與 卓越的職務績效 有 密切關係 而且 持續的 個人特徵。
Competencies
即是 Competency的集合，有時是指 Competency模型。
Competent
是形容詞，係指 有能力的、能勝任的、稱職 的意思。
一、課程名稱訂定以使用我國文字或國際通用專有名詞為原則，
我國文字以教育部編訂之國語辭典或辭源、辭海、康熙或其他通用字典中
所列有之文字為限。
二、課程名稱訂定應緊扣「教學／訓練目標」及「課程內容」，
且清晰易懂。課程名稱不得使用下列文字：
(一) 如「非」全職業或職類能力養成之課程，
不得直接採用 職業或職務 名稱 作為課程名稱。
(二) 易使人誤認為 結訓後 即具備 與 專門職業技術人員執業資格有關之文字。
(三) 易使人誤認為 或 誇大訓練成效之文字。
(四) 易使人誤認為 性質上屬政府專屬授權之文字。
(五) 其他違反善良風俗或不雅之文字。
(六) 現行 iCAP 證書已標示職能級別，課程名稱不得使用課程職能級別。
(七) 單位開授之課程名稱不得使用認證、證明、證照、能力鑑定等
易使人誤解之文字。
(八) 現行「職能發展及應用推動要點」已將
職能基準、職能單元、各中央目的事業主管機關 公布之相關職能資源或
透過職能需求分析為依據所發展之訓練課程
統稱為職能導向課程，
為避免重複性，
不得使用
職能模型、
職能地圖、
職能基準、
職能單元、
職能課程
等文字。
人才發展品質管理
（Talent Quality-management System， TTQS）
訓練機構版
Outcome 成果：
著重 訓練成果評估 之 層級 與 完整性、及
訓練 之 持續改善。
指標 19：
訓練系統 的市場功能─目標市場 及 顧客的 價值創造
（滿分 4 分）
✓評分標準
1 分 目標市場及顧客價值均有提升，然而未有具體紀錄及評量。
2 分 目標市場 及 顧客價值 均有部分提升效果。
3 分 目標市場 及 顧客價值 均有一定程度提升的效果。
4 分 目標市場 及 顧客價值 均有顯著具體的提升績效。
✓指標意涵說明
本指標內容必須與第 17 條相互確認，並以足夠的數據來佐證，
否則容 易落入印象分數，就無法判斷系統的有效性與連結性。
3~4 分需列舉適 當佐證資料，可分為系統及流程面、學習技能面、財務面、社會面
及其 他。
常見參考佐證資料：
1 分之常見參考佐證資料：
目標市場及顧客價值 均有提升，然而未有具體記錄及評量。
提出心得與知識分享 執行成效（系統及流程面）。
口頭說明學員訓後就業狀況，但未有具體紀錄及評量。
學員考照通過率有增加，但未有具體紀錄及評量。
感謝函。
2 分之常見參考佐證資料：
有具體記錄可辨識目標市場及顧客價值 均有部分提升效果。
相關證據顯示有初步訓練成果，且有部分佐證資料。
提出學員滿意度、考試測驗或心得報告（學習技能面）。
提出課後 追蹤調查 與 分析結果、證照通過情形（學習技能面）。
部分會員透過訓練後，事業成就上突破原有格局。
企業主 雇用結訓後學員，肯定機構訓練的成效。
部份學員 能運用所學於 職務中。
進行 訓後薪資調查，部份訓後學員微幅調薪。
3 分的常見參考佐證資料：
有量化之效益可呈現目標市場及顧客價值均有一定程度提升的效果
相關證據 顯示 個人訓練後之績效改善成果。
提出 市場競爭力、營業額、工作流程、成本控制或客訴率 等營運表現 （財務面）。
學員訓後創業案例。
學員證照通過、就業率高。
個人產品不良件數有下降趨勢。
每年訓練班次、人次均持續成長。
會員人數及會費收入均逐年增加。
4 分之常見參考佐證資料：
經營績效中之數據 呈現目標市場及顧客價值 均有顯著具體的提升績 效。
提出參與社會公益活動、獲頒公民營單位獎項、
結合學校單位產學或 研發成果（社會面）。
提出報章雜誌採訪或電子媒體訪問之正面消息（其他）。
個人績效提升（薪資提升或獎勵升遷之紀錄）。
證照通過率高 及 就業率大幅提升。
運用資訊系統普及率。
顧客滿意度提升。
組織近三年營業額持續成長。
職能分析理論
是人力資源管理 中用於 辨識、定義 和 評估完成
特定 工作 或 職位 所需具備的 知識、技能、態度 和行為
等 特質的理論。
透過職能分析，企業可以 更有效地 進行
1.招募、
2.培訓、
3.績效評估、
4.員工發展
等工作，提升整體 組織績效。
資料分析
選擇 適合 的分析方法：
描述性統計：
計算 平均值、中位數、標準差、變異數 等來 描述 資 料 的 分佈 情況。
推論性統計：
進行 假設檢定 (t 檢定、卡方檢定)、相關分析、迴 歸分析 等，
從樣本 推論 到母體。
資料探勘：
使用 分群分析 (K-means)、分類分析 (決策樹、隨機森 林)、
關聯分析 (Apriori 演算法)
等技術。
機器學習：
應用 監督式學習 與 非監督式學習 技術，
如 線性迴歸、 支援向量機 (SVM)、神經網路、深度學習等。
結果驗證與檢查：
交叉驗證：
檢查 模型 的 穩定性 與 泛化 能力。
模型評估：
使用 指標 (如準確率、精確率、召回率、F1 分數等)
來檢驗 分析結果 的 準確性 與 效果。
人類在AI系統決策過程中之監督機制，
可分為
1.人在指揮 HIC (Human-in-command)
2.人在迴圈內 HITL (Human-in-the-loop)
3.人在迴圈上 HOTL (Human-over-the-loop)
說明如下：
1.「人在指揮(Human-in-command)」：
指人類 指揮監督 AI系統之整 體活動
(包括其更廣泛的經濟、社會、法律及道德影響)，
並 在任何 情況 下決定 何時、如何 使用AI系統的能力。
2.「人在迴圈內(Human-in-the-loop)」：
表示人類主動參與監督，並 保留完全的 控制權，
AI系統 僅係 提供建議或資訊。
除非人類下達 命令 要求AI系統決策，否則AI 系統不能進行決策。
3.「人在迴圈上(Human-over-the-loop)」：
人類僅有在 AI 模型 遇到意 外或 不良事件 (例如模型失敗)時，
才接管控制，並在運算過程中調 整參數。
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 文章、圖像、音訊、影片 及 程 式碼等。
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。
金融機構運用AI系統，可能為
自行研發並使用，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，
再部署 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 或 其他方式 與合作廠商 明訂風 險監控責任 之 分工。
什麼是生成式AI企業大腦
GPT (Generative Pre-trained Transformer)
是一種 基於 轉換程式 架構(Transformer) 的 生成式 預訓練模型，
而生成式 AI 企業大腦
是指基於 發展企業內各項 生成式AI應用之需求，
結合 企業 自己的 數據集 與 透過模型 訓練流程，
來建立客製化的 生成式 預訓練 轉換器 模型，
以符合 某類特定 專業 領域 或是 企業 特定需求，
此 客製化模型 稱之為生成式AI企業大腦。
軟體技術研究院 產出
鑑別式與生成式AI 模擬檢定测驗
1.何者屬於 鑑別式 AI 的 應用?
(A)影像生成(B)物件偵測(C)風格轉換(D)文字生成
2.生成式AI最適合應用於?
(A)影像分類(B)產品推薦(C)音樂創作(D)異常偵测
3. CNN 中的捲積層主要作用是?
(A)提取影像特徵(B)儲存記憶
(C)強化學習(D)生成新數據
4.支持向量機(SIM)主要用於哪種任務?
(A)影像分類(B)文本生成(C)圖像增強(D)數據合成
5. K-Means 分群演算法的核心概念是?
(A)監督學習(B)非監督學習(C)強化學習(D)深度學習
6.在GAN 的訓練過程中, 判別器 的主要作用是?
(A)產生數據 (B)計算梯度
(C)區分真假數據 (D)增加數 據维度
7 RNN 最適合處理哪種類型的數據?
(A)静態影像(B)時序數據(C)隨機數據(D)二維圖像
8 VAE 透過哪種技術來生成數據?
(A)確定性映射(B)機率分佈(C)規則匹配(D)決策樹
9.在AI產業應用中,哪個領域較少使用生成式 AI?
(A)遊戲開發(B)數據增強(C)自然語言處理(D)資料庫查询
10 .何者是 AutoML 的主要目標?
(A)使模型自動調參(B)增加數據維度
(C)產生合成數據(D)降低計算需求
製造業AI/GAI應用發展重點
製造業實務面臨的問題種類多元,包含
1.分類 (瑕疵檢測、垃圾郵件過濾)
2.分群 (市場區隔、客戶群體細分)
3.序列預測
(市場需求預測、物料庫存管理、設備預測性維護),以及
4.生成 (數據生成、產品設計)等,
這些問題 適用的AI演算法
按 主要功能 與 應用目的,
可以將其分為
鑑別式AI(Discriminative Al) 與 生成式AI(Generative Al)
鑑別式AI(Discriminative Al)
擅長 分類 和歸納數據,根據 數據特徴差異 分析數據類別,
常用於 語音辨識、圖片 與 影像辨識等應用;
生成式AI(Generative Al)
則 擅長創造數據,能生成 類似訓練數據 的文字、圖片、影像、程式碼等。
由上述可知,鑑別式AI和生成式AI各有專長,並不互相替代,
而是根據不同應用場景,選用合適的Al技術滿足需求。
由於技術特性差異,兩類型AI用於製造業時方案開發的著重點也不同。
以下將透過建構AI方案流程,說明兩類AI技術
在 數據收集、模型選擇、模型訓練、模型部署 與 優化作業流程中
的 重點差異。
(1)數據收集方面,鑑別式AI 更重視 數據品質,
依賴 數據標記 與高度準確性、一致性的數據 掌握數據特徴,
然而 數據 處理過程 費時。
而生成式Al通常需要先進行 領域知識數據 的微調(Fine-tuning),
再向客戶 收集內部數據
進行檢索增強生成(Retrieval-AugmentedGeneration,RAG),
以便生成更精確内容。
(2)模型選擇上,
鑑別式AI方案業者
可能採用 社群 或 研究機構 公開的 開源 且 高效 的模型,
或是自行開發模型。
且由於鑑別式AI 應用 對應 特定問題,因此業者傾向選用
結構 較簡單 且 易於解釋的 模型,如
1.決策樹、
2.支援向量機器(Support Vector Machine, SVM)和
3.類神經網絡、
4.群集分析(K-means Clustering)
等用於準確 分類 或 預測 的模型;
生成式AI方案商
則多是選擇現有的大型語言模型,如
GPT、Llama、BLOOM、Falcon、BERT等,
並在此基礎上 進行 應用開發。
