2025年9月21日 星期日

2025 09 21 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 指標4:訓練品質管理的系統化文件資訊(滿分5分) 人才發展品質管理手冊。 手冊内 可參考 TTQS架構精神·ISO10015精神 ISO四階文件格式 包括 「訓練需求之定期 的 調查與分析」 「不同訓練課程 的 設計與規劃方向」 「訓練的 提供方式 與 選擇 的 指標」 「 訓練 結果 的 評估」以及 「訓練 實施 的 標準化作業流程(SOP)

 

2025 09 21 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 指標4:訓練品質管理的系統化文件資訊(滿分5分) 人才發展品質管理手冊。 手冊内 可參考 TTQS架構精神·ISO10015精神 ISO四階文件格式 包括 「訓練需求之定期 的 調查與分析」 「不同訓練課程 的 設計與規劃方向」 「訓練的 提供方式 與 選擇 的 指標」 「 訓練 結果 的 評估」以及 「訓練 實施 的 標準化作業流程(SOP)

 指標4: 訓練品質管理   的  系統化文件 資訊(滿分5分)


列舉適當佐證資料項目 


1. 展示文件     (如:  訓練手冊、訓練體系圖表、 程序  或  辦法   等  相關文件)

    以  說明 組織  如何運作  TTQS管理系统。 

2. 展示此文件   如何 核准公告 更新、保存紀錄
 
                      展示完整   之   教育訓練體系  规劃。 


指標意涵說明 


  與【指標3  明確的  PDDRO 訓練課程   與   明確的   核心訓練類別

  互相連結


  建立     訓練體系  運作    

  管 理    系統化 文件  , 

  以  確保    訓練體系    的運作   及  教育訓練業務    的  執行

  能夠  有系统性流程  可以  遵循

 

  對任何一個管理系统而言,  

  文件化 的架構     通常  分為四個   不同的階層

    (1)   手冊            (基本  指導網要  原則) 

    (2)   程序文件    维繫  組織內  各部門間 各項作業  的  銜接性  加以  明文規定)  

    (3)  工作指導書  (落實執行  訓練管理系統,  將每一項  動作的基準    

           加以詳細說明)  

    (4)  表單            (記載執行  的  佐證資料  所使用的空白表格)


常見參考佐證資料

  人才發展品質管理手冊。 

  手冊内 可參考   TTQS架構精神·ISO10015精神

  ISO四階文件格式   包括 

   「訓練需求之定期  的  調查與分析」  

   「不同訓練課程     的   設計與規劃方向」 

   「訓練的   提供方式  與  選擇   的  指標」 

   「 訓練  結果  的   評估以及

    「訓練  實施  的   標準化作業流程(SOP)

     等内容



2025年9月20日 星期六

2025 09 20 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 指標3:明確的PDDRO訓練體系及明確的核心訓練類別(滿分5分) 才發展品質管理迴圈(PDDRO)的運 作 1.訓練體系 圖解 及 核心訓練類別 名稱。 2.展示 完整之 教育訓練體系 規劃。3.體系 適當反映 訓練發展 重點 及 核心能力。

 指標3:明確的PDDRO訓練體系   及

            明確的核心訓練類別  (滿分5分)


列舉適當佐證資料項目 

1.展示  完整之   教育訓練體系  規劃。 

2.體系   適當反映   訓練發展   重點  及  核心能力。 


指標意涵說明 

依據  組織經營  與  發展需求·  建置 教育訓練體系  並

確保  人才發展品質管理迴圈(PDDRO)的運 作,

同時  必須能夠   明確充份  的  展現   達成經營績效

所需的  訓練發展重點  及  核心訓練類別



常見參考佐證資料

1.訓練體系   圖解   及  核心訓練類別  名稱。 

2.員工訓練 組織事業發展  相關的證明。 

3.員工  訓練核心類型  與   促進關鍵績效指標(KPI)  的  關係

4. 其他  能展現明確  PDDRO訓練體系 與  核心訓練類別   的

   員工訓練      與  員工職務  相稱   的證明...等書面文件。




2025 09 20 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 指標2:明確的訓練政策與目標以及高階主管對訓練的承諾及參與(滿分5分)列舉適當佐證資料項目 指標意涵說明 常見參考佐證資料 1. 訓練政策 與 承諾 員工年度訓練的 佐證文件。 2. 員工訓練進修辦法。 3. 對 員工訓練成果 的 評估標準 的 訂定 與 說明。 4. 其他展現 明確訓練政策、目標及 高階主管對訓練 的 承諾 與參與、 對員工訓練 有幫助的 具體文件 或 規定 與 做法·

 

2025 09 20 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 指標2:明確的訓練政策與目標以及高階主管對訓練的承諾及參與(滿分5分)列舉適當佐證資料項目 指標意涵說明 常見參考佐證資料 1. 訓練政策 與 承諾 員工年度訓練的 佐證文件。 2. 員工訓練進修辦法。 3. 對 員工訓練成果 的 評估標準 的 訂定 與 說明。 4. 其他展現 明確訓練政策、目標及 高階主管對訓練 的 承諾 與參與、 對員工訓練 有幫助的 具體文件 或 規定 與 做法·

 指標2:明確的訓練政策與目標以及

             高階主管對訓練的承諾及參與(滿分5分)


列舉適當佐證資料項目 

1.依照  組織情境  與  特性  訂有  明確的訓練政策·並適當揭露給員工知悉。  

2.展現高階主管   對  於   訓練的   承諾  與  參與。  

3.展現組織   年度訓練目標 及 訓練重點。  


指標意涵說明 

高階主管   對訓練有  明確的承諾  且參與  訓練政策 及 目 標的訂定,

同時應注意 其與  企業  使命、願景、策略及  長期目標   的  高度結合


常見參考佐證資料

1. 訓練政策 與 承諾   員工年度訓練的  佐證文件。 

2. 員工訓練進修辦法。 

3. 對   員工訓練成果  的 評估標準    的  訂定 與 說明。 

4. 其他展現   明確訓練政策、目標及  高階主管對訓練  的  承諾 與參與

   對員工訓練  有幫助的   具體文件  或 規定 與 做法



2025年9月19日 星期五

2025 09 19 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 PLAN 計畫階段 訓練規劃與組織營運發展目標之關聯性及訓練體系之實踐能力。 指標1:組織願景/使命/策略的揭露與目標及求的訂定(滿分5分) 列舉適當佐證資料項目 1.組織願景、使命、策略之揭露。 2.展現組織策略及未來發展方向 3.展現組織年度工作計畫及相關行動方案。 4.展現組織年度訓練發展方向。 指標意涵說明 藉由揭露組織短、中長期的發展方向與目標,訂定組織未來 營運策略與各項年度計畫或行動方案。 並連結年度訓練發展方向。 常見參考佐證資料(並註明資料之位置頁碼) 1.組織發展策略或策略地圖說明及揭露· 2.組織的願景與核心發展使命的說明及揭露。 3.組織年度的事業行動計畫發展涵蓋人力資源的發展 與訓練規劃內容、主題或方向的佐證。 4.其他有關組織願景/使命/策略揭露及目標與需求訂 定的相關佐證資料。。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 

2025 09 19 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 PLAN 計畫階段 訓練規劃與組織營運發展目標之關聯性及訓練體系之實踐能力。 指標1:組織願景/使命/策略的揭露與目標及求的訂定(滿分5分) 列舉適當佐證資料項目 1.組織願景、使命、策略之揭露。 2.展現組織策略及未來發展方向 3.展現組織年度工作計畫及相關行動方案。 4.展現組織年度訓練發展方向。 指標意涵說明 藉由揭露組織短、中長期的發展方向與目標,訂定組織未來 營運策略與各項年度計畫或行動方案。 並連結年度訓練發展方向。 常見參考佐證資料(並註明資料之位置頁碼) 1.組織發展策略或策略地圖說明及揭露· 2.組織的願景與核心發展使命的說明及揭露。 3.組織年度的事業行動計畫發展涵蓋人力資源的發展 與訓練規劃內容、主題或方向的佐證。 4.其他有關組織願景/使命/策略揭露及目標與需求訂 定的相關佐證資料。。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 PLAN 計畫階段

 訓練規劃  與  組織營運發展目標   之  關聯性 

 訓練體系   之  實踐能力。 


指標1:組織願景/使命/策略的揭露與目標及求的訂定(滿分5分) 


列舉適當佐證資料項目 

1.組織   願景、使命、策略 之 揭露。 

2.展現   組織    策略 及  未來發展方向 

3.展現   組織   年度 工作計畫  及  相關行動方案。 

4.展現   組織   年度 訓練發展方向。   


指標意涵說明 

藉由揭露組織   短、中  長期的發展方向   與 目標,

訂定    組織   未來 營運策略

與  各項   年度計畫   或  行動方案, 並  連結  年度訓練發展方向。  


常見參考佐證資料(並註明資料之位置頁碼) 

1.組織發展         策略  或  策略地圖              說明及揭露· 

2.組織的            願景 與 核心發展使命   的  說明及揭露。 

3.組織年度 的  事業行動計畫發展   涵蓋  人力資源的發展   與

   訓練規劃內容、主題或方向   的  佐證。 

4.其他有關   組織願景/使命/策略揭露 及  目標與需求訂定的  相關佐證資料





2025年9月16日 星期二

2025 09 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 神經網路如何運作 神經網路 由 神經元(即節點)組成,這些節點協同合作以解決問題。 而神經網路的主要架構由 3 個部分組成: 輸入層、隱藏層 和 輸出層。

 

2025 09 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 神經網路如何運作 神經網路 由 神經元(即節點)組成,這些節點協同合作以解決問題。 而神經網路的主要架構由 3 個部分組成: 輸入層、隱藏層 和 輸出層。

 神經網路如何運作

       神經網路 由 神經元(即節點)組成,這些節點協同合作以解決問題。

      而神經網路的主要架構由 3 個部分組成

       輸入層、隱藏層  和  輸出層

      每一層在訊息處理的過程中擔當不同的角色,

     共同完成    數據分析  和  預測

        1. 輸入層(Input Layer)

              輸入層負責接收外部數據,是神經網路的初始訊息來源。

              每一個   輸入層   節點  對應到    原始資料中的 一個特徵

              這些數據再傳送至  隱藏層   進行更深入的處理。

          2. 隱藏層(Hidden Layer)

              隱藏層 位於 輸入層 與 輸出層之間,是 進行主要運算的核心部分。

             隱藏層的每個節點會根據輸入數據進行計算,

            涉及   權重(Weight) 和  偏置(Bias)   的調整,

             來提取數據中的關鍵特徵建立模式

             隱藏層的   數量  和  複雜度  會影響網路的表現

             因此深度神經網路通常設計多個隱藏層

           以提升模型的  準確性  和   適用性

         3. 輸出層(Output Layer)

              輸出層  是   神經網路  的最終處理階段,將隱藏層

             提取的特徵  轉化為  最終結果。輸出層的節點數量

             通常根據特定任務的需求而定,

            例如在分類任務中

            輸出層的  節點數  可以對應不同的類別




2025年9月15日 星期一

2025 09 16 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) L111 人工智慧概念 生成任務: 常用模型: 生成對抗網絡(GAN)、 變分自編碼器(VAE)、 擴散模型(Diffusion Model)圖像分類: 常用模型:卷積神經網絡(CNN)自然語言處理: 常用模型:RNN、LSTM、GRU、Transformer 資料類型: 結構化資料: 全連接神經網絡(DNN) 非結構化資料: 圖像(CNN)、 文本(RNN、Transformer)、 音頻(CNN、RNN)

 

2025 09 16 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) L111 人工智慧概念 生成任務: 常用模型: 生成對抗網絡(GAN)、 變分自編碼器(VAE)、 擴散模型(Diffusion Model)圖像分類: 常用模型:卷積神經網絡(CNN)自然語言處理: 常用模型:RNN、LSTM、GRU、Transformer 資料類型: 結構化資料: 全連接神經網絡(DNN) 非結構化資料: 圖像(CNN)、 文本(RNN、Transformer)、 音頻(CNN、RNN)

 AI應用規劃師(初級) 

  人工智慧基礎概論 (L11)      

       L111 人工智慧概念             

     

問題類型


     1.圖像分類:

            常用模型:卷積神經網絡(CNN)

            推薦架構:

                ResNet、

                VGG、

                Inception、

                SqueezeNet、

                MobileNet、

                EfficientNet


      2.自然語言處理:

            常用模型:RNN、LSTM、GRU、Transformer

            推薦架構:

                BERT、

                GPT系列、

                T5


       3.   生成任務:

             常用模型:

                   生成對抗網絡(GAN)、

                   變分自編碼器(VAE)、

                   擴散模型(Diffusion Model)

              推薦架構:

                 Stable Diffusion、

                 CycleGAN、

                 StyleGAN


          4. 物體檢測:

                常用模型:

                    R-CNN、

                    YOLO、

                    SSD

                選擇輕量化模型:

                Yolov8n、

                MobileNet SSD、

               Tiny YOLO、

                EfficientDet


           5. 語音識別:

                 常用模型:

                 Transformer、

                 循環神經網絡(RNN)、

                 長短期記憶網絡(LSTM)


           6.時序預測:

               常用模型:

                  輕量化

                   RNN、

                  LSTM、

                  GRU、

                 Temporal Convolutional Network (TCN)


            7.輕量化微調技術:

               常用模型:

                 LoRa、

                 Adapter、

                 Parameter-Efficient Fine-Tuning (PEFT)、

                 HyperNetworks



   資料特徵

           資料集大小:

             大資料集:較深的網絡(如ResNet50或更深

                              通常能夠   更好地    擬合  大資料集。

           小資料集:較淺的網絡 或 遷移學習技術(使用預訓練模型進行微調)

                            可以幫助避免過擬合

         資料類型:

            結構化資料:

                              全連接神經網絡(DNN)

           非結構化資料:

                             圖像(CNN)、

                             文本(RNN、Transformer)、

                             音頻(CNN、RNN)



2025年9月14日 星期日

2025 09 14 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) 神經網路種類1. 卷積神經網路(Convolutional Neural Network, CNN) 2.循環神經網路(Recurrent Neural Network, RNN)3.生成對抗網路(Generative Adversarial Network, GAN) 4.感知器(Perceptron) 5.前饋神經網路(Feedforward Neural Network, FNN)6.圖神經網路(Graph Neural Network, GNN)7.Transformer 神經網路

 

2025 09 14 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) 神經網路種類1. 卷積神經網路(Convolutional Neural Network, CNN) 2.循環神經網路(Recurrent Neural Network, RNN)3.生成對抗網路(Generative Adversarial Network, GAN) 4.感知器(Perceptron) 5.前饋神經網路(Feedforward Neural Network, FNN)6.圖神經網路(Graph Neural Network, GNN)7.Transformer 神經網路

 神經網路種類


  1. 卷積神經網路(Convolutional Neural Network, CNN)

            卷積神經網路(CNN)是一種

            擅長處理  圖像、影片數據   的   神經網路,

            並且   提取  數據中  的   空間特徵

            CNN 通常包括 3 種主要層次:

                  1.卷積層       負責 提取 數據     的 局部特徵,例如邊緣、紋理

              2.池化層      用於 減少 數據      的 空間維度,  提升   運算效率

              3.全連接層   負責 將特徵 反映  為  最終的  分類  或  預測結果

     臉部辨識

           臉部辨識的核心技術依賴於卷積神經網路(CNN),

          這些圖像會經過 CNN 處理和標記,用於構建高效的特徵提取和分類模型,

         使系統能準確區分不同的人臉特徵,例如眼睛、鼻子與嘴巴的相對位置

         和形狀,最後將人臉與系統中預存的數位圖像進行比對,來完成身份認證。

  2.循環神經網路(Recurrent Neural Network, RNN)

           循環神經網路  具有「記憶」功能,能夠利用   前一時間步驟的輸出   作

           為當前步驟的輸入,實 現   對序列數據   的 依賴建模,因此

           RNN 特別適合處理  與時間相關  的任務,

            例如    金融市場預測、手寫識別


  3.生成對抗網路(Generative Adversarial Network, GAN)

           GAN 生成對抗網路是透過   

           生成器(Generator)  和  判別器(Discriminator)

            兩部分相互競爭來實現數據生成。

           生成器  專注於 創造  逼真的數據,而

           判別器   負責判斷  這些數據 是否真實

           形成一個動態的對抗過程,

           最終生成器能夠創建出  幾乎無法分辨真假數據的成果。

           其在   影像生成 與 處理領域   展現出色能力,包括

               3.1  圖像修復

               3.2以假亂真的人臉生成

            等應用


          4.感知器(Perceptron)

          感知器人工神經網路的起點,由 Frank Rosenblatt 在

         1957 年首次提出。感知器的主要功能是處理二元分類問題,

         例如將數據分為「A 類」和「B 類」。雖然感知器的設計相對簡單,

         僅能處理 線性可分的數據,但它為神經網路的發展奠定了理論基礎。


      5.前饋神經網路(Feedforward Neural Network, FNN)

        前饋神經網路 是  多層神經網路  最基本的類型,

        數據在網路中  只能單向傳輸,輸入層  經過 一層 或 多層  隱藏層

        最後到達  輸出層

        每一層的神經元都與下一層的神經元相連,且無  反饋 或 循環 結構。

        前饋神經網路 用於評估 學生的測驗數據,分析弱點提供針對性的建議。

    6.圖神經網路(Graph Neural Network, GNN)

        圖神經網路 用來分析   圖形結構數據  的   機器學習模型

        圖形結構可以簡單理解為一種

        由「點」(Node)「線」(Edge)組成的資料形式,

       目的是  從這些  點和線  的關係中找出有價值的資訊,

       然後根據這些資訊,幫助整個圖表更好地完成一些  預測  或 分類  任務。


     7.Transformer 神經網路

         Transformer 模型核心是「注意力機制」,可以快速抓住數據中

         各部分的關聯性,早期常被廣泛用在自然語言處理上

         像是大家熟悉的 GPT、BERT,但現在 Transformer 已經統一

        所有領域的模型,它也能處理 視覺、語音等不同領域,

        因此現階段的 ChatGPT 才有辦法  理解圖片的內容 並  回答我們的問題。