鑑別式AI主要應用
於 分類、辨識 與 預測等領域，
如：
a. 影像辨識（如人臉辨識、醫學影像診斷）
b. 語音辨識（如語音轉文字）
c. 自然語言處理（如情感分析、語意理解）
d. 風險評估（如信用評級、金融詐欺偵測）
生成式AI則適用於
內容 創建 與 數據 增強，
例如：
a. 內容生成（如ChatGPT生成對話、DALL-E創作藝術圖像）
b. 風格轉換（如將照片轉換為特定藝術風格）
c. 數據增強（如生成額外訓練數據來提高機器學習模型的泛化能力）
d. 影音合成（如Deepfake 技術用於虛擬角色創建）
模型評估與優化
模型訓練完成後，必須 透過 評估指標 對 模型效能 進行驗證，
並 根據結果 進一 步 優化模型。
A. 效能評估指標
不同任務對模型效能的要求不同，常用的評估指標包括：
a. 準確率（Accuracy）：
衡量模型 預測正確 的比例，適用於平衡的分類問題。
b. F1 分數（F1 Score）：
綜合考慮 精確率（Precision）和 召回率（Recall），
適合處 理 數據不平衡 的 問題。
c. 均方誤差（MSE）：
適用於迴歸問題，反映 預測誤差 的 大小。
B. 交叉驗證
交叉驗證 是一種 評估模型穩健性 的技術，透過 將數據集分割
為 多個子集， 反 覆進行 訓 練 與 測 試，有效降低 過擬合風險
並提升模型 的 泛化能力。
其中，K 折交 叉驗證（K-Fold Cross-Validation）
是最常見的方法，將數據集平均分成K個子集 （折），
每次選擇其中一個 子集 作為 測試集，其餘 K-1個子集 作為訓練集，
重複K 次後 取 平均評估結果，以獲得模型的整體表現。
C. 模型調參
模型優化 的最後一步是 調整超參數，這一過程稱為「調參」。
常見的方法包括：
a. 網格搜索（Grid Search）：
在預定範圍 內 逐一嘗試 超參數組合。
b. 隨機搜索（Random Search）：
隨機選擇 超參數 進行測試，適合 高維度 的 參數空 間。
c. 貝葉斯優化（Bayesian Optimization）：
透過 構建 代理 模型，根據歷史結果 逐步尋 找 最優參數。
機器學習（Machine Learning）
是一種透過 數據訓練 模型，使 機器 具備 預測 與 分類 能力的技術，
常應用於 文字辨識、語音辨識、圖像辨識 等領域。
一般而言，資料量愈大 且經過 完整的資料處理，
模型的效果通常會更好。
簡述 機器學習的 步驟包含：
（1）準備訓練資料：
包含資料的蒐集、過濾雜訊 及前處理；
（2）訓練模型：
將前項 準備好 的 訓練資料 輸入 演算法中，並 適度調整 參數，
使模型儘量符合資料之模式或分佈；
（3）測試及評估模型：
測試 並 評估 該 模型的效能，並反覆訓練之；經多次調校仍不佳時，
或許選用其他模型 再重覆前 述流程。
依訓練方式，有以下幾種學習方法：
（1）監督式學習（Supervised learning）
監督式學習主要應用於 分類（Classification）與 迴歸（Regression）
任務，透 過 帶有標記（Labeled Data）的訓練數據來訓練模型，
使其學習 輸入特徵 與 對應標 記 之間的關聯性。
在訓練過程中，模型不斷調整內部參數，以提高對未知數據的 預測準確度，
從而 實現 對 未見 數據的 有效分類 或 數值 預測。
分類模型目標為「如 何將輸入數據 分配至 不同類別」，
例如 垃圾郵件過濾（辨別郵件是否為垃圾郵件）、
影像識別（辨識圖片中的物件類別）。
迴歸模型目標為「學習 輸入變數 與 連續數值 之間的映射關係」，
例如 房價預測（根據房屋特徵預測價格）、
銷售額預測（根據 市場數據預測未來銷售）。
（2）非監督式學習（Unsupervised Learning）
不同於監督式學習，無需使用事先標記好的訓練數據。
演算法會自動從 未標 記的數據 中 發掘潛在的模式、結構或
分群（Clustering），進而揭示 數據內部的關聯 性和特徵。
非監督式學習常用於
資料探索、特徵提取 和數據降維 等任務，
廣泛應 用於
市場區隔分析、異常偵測、推薦系統 和 影像壓縮 等領域。
（3）強化學習（Reinforcement Learning, RL）
強化學習不同於監督式學習和非監督式學習，
是一種 基於「回饋（反饋）機 制」的 學習方法，
透過 評分機制 與 獎勵措施 的制定，讓人工智慧進行自我評估
並朝 獲取最大獎勵的方向進行學習。
強化學習的核心在於 讓代理（Agent）透過與環 境 的互動，
學習如何選擇 最佳行動策略，以獲得最大的累積回報。
強化學習特別 適合用於
需要「試錯學習（Trial-and-Error）」和「長期規劃」
的任務，
例如 遊戲 AI、 機器人控制 和 自動駕駛等領域。
演算法（Algorithm）
在 機器學習 與 人工智慧領域 扮演著舉足輕重的角色，
特 別是在搜尋與排序方面，廣泛應用於
網路資訊檢索、資料庫管理 與 各類數據處理。
以下為幾種常見的 搜尋 與 排序 演算法：
（1） 線性搜尋（Linear Search / Sequential Search）：
從資料集的第一個元素開始， 逐個與目標元素進行比較。
如果找到匹配的元素，則搜尋成功；
如果遍歷整 個資料集後仍未找到，則搜尋失敗。
（2） 二分搜尋（Binary Search）：
首先將 資料集 的 中間元素 與 目標元素 進行比較。
如果 目標元素 等於 中間元素，則搜尋成功；
如果 目標元素 小於 中間元素，則 在資料集的 左半部分 繼續搜尋；
如果 目標元素 大於 中間元素，則在資料集的 3-11 右半部分繼續搜尋。
重複以上步驟，直到 找到目標元素 或 搜尋範圍為空。
（3） 深度優先搜尋（Depth-First Search, DFS）：
在 圖形 或 樹狀 結構。從起始節點開 始，沿著一條路徑
儘可能 深地搜尋，直到到達 葉節點 或 遇到 已訪問過的節點，
然後 回溯到上一個 節點，繼續搜尋其他路徑。
（4） 廣度優先搜尋（Breadth-First Search, BFS）：
在 圖形 或 樹狀 結構。從 起始節點 開始，首先訪問其 所有相鄰的
節點 ，然後再訪問 這些相鄰節點 的 相鄰節點，
依此類推，一層一層地擴散搜尋。
以下介紹幾種 常見 且 應用廣泛 的演算法：
（1） 線性迴歸（Linear Regression）：
預測 連續數值型 的 輸出變數，
例如房價預測、 銷售額預測、股票價格預測等。
優點為簡單易懂、計算效率高；缺點是 只能 捕捉線性關係，
對於非線性關係的資料擬合效果較差。
其演算法原理為假設 輸入變數（特徵）和 輸出變數 之間 存在線性關係，
試圖找到一條最佳的直線 （或超平面，在高維空間中），
盡可能地擬合資料點。
（2） 邏輯迴歸（Logistic Regression）：
邏輯迴歸雖然名稱中有「迴歸」，但實際上 是一種分類演算法。
使用Sigmoid函數將線性迴歸的輸出 轉換為 介於0和1 之間 的機率值。
通常設定一個閾值（例如0.5），將 機率值 轉換為 類別。
優點 為簡單易懂、計算效率高、輸出結果具有機率意義，
但只能解決二元分類問 題，對於多類別分類問題需要進行擴展。
（3） K-最近鄰演算法（K-Nearest Neighbors, KNN）：
屬於一種基於實例的學習演 算法，對於一個新的輸入樣本，
它會找出訓練集中與其最接近的 K 個樣本 （最近鄰）。
對於分類問題，將 新樣本 分類為
K個 最近鄰中 出現次數 最多的 類別；
對於迴歸問題，將 新樣本的預測值 設定為
K個 最近鄰的 平均值 或 中位 數。
（4）數據分析（Data Analysis）
數據分析是 運用 統計方法、機器學習 及 其他技術，從處理後的 數據中
提取 有用資訊 與 洞 察 的過程。
根據分析目的，可分為以下四種主要方法：
第一種: A. 敘述性分析（Descriptive Analysis）：
描述數據 的 基本特徵 和 分佈情況。
使用各別有其 優點、限制、適用 領域的
統計指標
（如平均值、中位數、標準差、百分位數 等），以及
圖表
（如直方圖、散佈圖、折線圖 等）
等來 總結 和 呈現 數據。
a. 平均值（Mean）：
將一組數據的 所有值相加 後 除以 數據的個數，所得出的結果，
代表了數據的平均水平。
優點：計算簡單，易於理解。
缺點：極端值（離群值）的影響較大，若數據集中有極端值，
平均值可能會 偏離 數據的中心 趨勢。
b. 中位數（Median）：
將一組數據按照大小順序排列，位於中間位置的值，如果數
據個數為偶數，則取中間兩個數的平均值。
優點：不受極端值影響，能更好地反映數據的中心趨勢。
缺點：對數據 分布的變動性 不敏感。
c. 標準差（Standard Deviation）：
用來衡量一組數據的分散程度，標準差越大，數據的分散程度越大，
反之亦然。
優點：能量化描述數據的分散程度，常用於比較不同組數據的分散情況。
缺點：計算相對複雜，且受極端值影響。
d. 百分位數（Percentile）：
將一組數據按照大小順序排列後，將數據分為100 份，
每份佔1%，則第p 百分位數是指有p%的數據小於或等於它的值。
優點：能詳細描述數據的分佈情況，不受極端值影響。
缺點：計算相對複雜，對於較大的數據集計算量較大。
e. 直方圖（Histogram）：
將 連續型數據 分 成幾個類別（通常稱為「組」或「bin」），
並 用矩形的高度表 示每個類別中數據的個數。
優點：能直觀地展示數據的分布情況，包括 集中趨勢、分散程度 和
是否有異常值，可快速了解數據的整體樣貌。
缺點：組間隔的選擇會影響直方圖的外觀，不同的組間隔可能產生
不同的視覺效果。
f. 散佈圖（Scatter plot）：
用於展示兩個變量之間的關係，每個數據點代表一組觀察值，
其位置由兩個變量的值決定。
優點：能直觀地顯示兩個變量之間的相關性，包括線性相關、非線性相關
或無相關、可以幫助發現異常值。
缺點：當數據點過多時，圖形可能變得擁擠，難以觀察。
g. 折線圖（Line chart）：
用於顯示數據 隨 時間 或 其他連續變量 的變化趨勢。
優點：能清晰地 展示 數據的變化趨勢，易於比較不同時間點的數據;
可以顯示多個變量的變化趨勢。
缺點：較不適合 展示 類別型數據。
人工智慧（Artificial Intelligence, AI）
是一種旨在 模擬人類智慧 的技術，使機 器能夠執行原本需要人類智慧
才能完成的任務，如學習、推理、解決問題、感知 環境等。
近十年來，隨著
軟硬體技術 進步、計算能力 提升、開放資料 普及，
以及 數據的多樣性、品質與規模增長，
加上 演算法 與 機器學習 的 不斷精進，
人工智慧 的發展突飛猛進。
依照功能的不同，AI 可以分為以下幾類：
1.分析型AI：
主要用於洞悉數據模式，分析 和 處理 大量數據，
以提供有價值的見 解。
2.預測型AI：
基於歷史資料和數據，預測未來的趨勢和行為，
常應用於 市場預測、 風險評估 等領域。
3.生成型AI：
近年快速發展的AI 類型，可根據使用者輸入的提示詞（prompt），
生成各類素材，包括文字、語音、圖像和影片。
在企業運營中，人工智慧的應用通常集中於幾個主要目標，
包括
提高效率、 增強決策能力、提供個人化服務
以及 促進創新。
生成式AI 自2022 年 快速發展以 來，透過使用者輸入的提示詞（prompt），
能高效生成 多種素材形式，此技術大幅 改變了許多行業的工作型態，
為 企業 在 數位化轉型 與 創新發展 上提供了新的契機。
AI應用規劃師 職能基準5級
了解 AI工具 的 特性 及具備使用 經驗，
以 協助 企業規劃 與 推動AI技術 或 工 具導入，
根據企業部門業務需求，評估並選擇
適合的AI工具或解決方案，
應用於 內部流程 或 產品生命週期。
整合跨部門團隊，共同制定 與 執行 AI導 入計畫，
進 行 開發、部署 及 後續優化。
（建議具以下至少1項）
1. 大專以上畢業或同等學力。
2. 具1年以上從事演算法設計、人工智慧、機器學習、深度學習、商業智 慧
等技術應用的工作經驗。
3. 具3年以上程式開發或專案管理經驗，
並曾參與大型專案及具協助專案 管理經驗。
4. 擔任主管職務1年以上。
5. 了解no code/ low code、ChatGPT、生成式工具。
6. 此項職能基準範圍為跨產業適用。
深度強化式學習 (Deep Reinforcement Learning, DRL)
就是將 深度學習 與 強化式學習 結合的技術。
要讓 AI 應用落地，DRL 是必不可缺的技術。
由兩位劍橋大學博士所帶領的 Wayve 團隊就利用了 DRL 技術，
開發出可以自行從新環境中學習的自動駕駛技術，
取代以往完全仰賴感測器的做法。
除此之外，工廠內的自動化機器人, 或是打敗世界棋王的 AlphaGo 等，
背後運作的演算法 也都與 DRL 息息相關。
大型多模態模型
多模態模型(Large Multimodal Models)
是指能同時處理 多種資料類型 的 機器學習模型，
包括文字 、圖像、音訊和視訊等。
此類模型相較於傳統 專注於單一資料類型的 AI模型，
更強調 跨模態 協同 以提升 任務準確度。
在過去一年內，OpenAI、Anthropic、Perplexity 與 Google
先後發布 能 同時 理解 與 生成
文字、影像、語音 甚至 程式碼 的 新模型；
這些新模型 都 已 從單純的文字生成工具 躍升為
可支援 多場域應用 的 大型多模態模型。
生成式 (Generative AI) AI 是什麼？
何謂生成式 AI？
生成式 AI 的英文為 Generative AI，也可以簡稱為 Gen AI，
而中文全名為生成式人工智慧。
生成式 AI 是一種 能夠根據輸入的數據，
生成全新、原創內容的人工智慧技術。
不同於 鑑別式 AI 主要用於 分析數據，生
成式 AI 更具創造力，
可以產生 文字、圖像、音樂、程式碼 等各種形式的內容。
鑑別式AI （Discriminative AI）
專注於學習區分不同類別的資料，這類模型不會生成新數據，
而是用於 分類和預測，基於給定 的 輸入數據
來判斷其所屬的類別。
簡單來說，鑑別式AI 就是把資料貼上標籤，
而把資料貼上標籤的過程中，
系統會自動學習並將其訓練成一個分類模型。
RAG（Retrieval-Augmented Generation）中文翻譯
為檢索增強生成，是結合 資訊檢索 和 自然語言生成
的人工智慧技術。
其運作原理可以分成 3 個階段，分別是
1.索引
2.檢索
3.生成
透過這 3 階段讓 AI 模型更好地理解和回應用戶的問題，
生成更準確、相關且有資訊性的內容。
RAG 可以讓 大型語言模型（LLM）在生成文本時，
先從已經整理好的知識庫中搜尋相關資訊，
再利用這些資訊來產生更準確、更全面、
更符合實際應用的回應。
