2025年6月26日 星期四

2025 06 26 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 永續發展是21世紀最重要的全球議題之一。2015年,聯合國宣布了「2030永續發展目標」(Sustainable Development Goals, SDGs),SDGs包含17項核心目標,其中又涵蓋了169項細項目標、230項指標;涵蓋消除貧窮、氣候行動、教育品質、性別平等等重要議題,展現人類面對的重大挑戰與機會。SDGs 有17項目標,其中又涵蓋了169項細項目標

2015年,聯合國宣布了「2030永續發展目標」

(Sustainable Development Goals, SDGs)


SDGs包含17項核心目標,其中又涵蓋了169項細項目標230項指標





SDG 1 終結貧窮:  

消除各地一切形式的貧窮 

SDG 2 消除飢餓: 

 確保糧食安全,消除飢餓,促進永續農業 

SDG 3 健康與福祉:

確保及促進各年齡層健康生活與福祉

 SDG 4 優質教育:  

確保有教無類、公平以及高品質的教育,及提倡終身學習 

SDG 5 性別平權: 

 實現性別平等,並賦予婦女權力 

SDG 6 淨水及衛生:

確保所有人都能享有水、衛生及其永續管理 

SDG 7 可負擔的潔淨能源:      

確保所有的人都可取得負擔得起、可靠、永續及現代的能源 

SDG 8 合適的工作及經濟成長:  

促進包容且永續的經濟成長,讓每個人都有一份好工作 

SDG 9 工業化、創新及基礎建設:

建立具有韌性的基礎建設,促進包容且永續的工業,並加速創新

 SDG 10 減少不平等:           

減少國內及國家間的不平等 

SDG 11 永續城鄉:             

建構具包容、安全、韌性及永續特質的城市與鄉村 

SDG 12 責任消費及生產:       

促進綠色經濟,確保永續消費及生產模式 

SDG 13 氣候行動:            

 完備減緩調適行動,以因應氣候變遷及其影響

 SDG 14 保育海洋生態:         

保育及永續利用海洋生態系,以確保生物多樣性並防止海洋環境劣化

 SDG 15 保育陸域生態:         

保育及永續利用陸域生態系,確保生物多樣性並防止土地劣化 

SDG 16 和平、正義及健全制度: 

促進和平多元的社會,確保司法平等,建立具公信力且廣納民意的體系

 SDG 17 多元夥伴關係:         

建立多元夥伴關係,協力促進永續願景





2025年6月25日 星期三

2025 06 26 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 人工智慧的實現依賴於一個多層次的架構 人工智慧的架構 其主要構成:(1)技術底層 (2)開發應用 (3)實際運用 演算法(Algorithm)  為AI的邏輯基石,用於解決問題及提供決策支援。  常見的演算法包括 迴歸分析(Regression Analysis)、 分類演算法(Classification Algorithms)、 決策樹(Decision Tree)與 基因演算法(Genetic Algorithm)等

 人工智慧的架構

人工智慧的實現依賴於一個多層次的架構,

 每一層都扮演著關鍵角色,從基 礎技術到應用開發,

 最終落地於實際場景。

 以下為其主要構成:

(1)技術底層 

 技術底層是人工智慧運作的基礎,

提供必要的   計算能力、數據支撐  核心演 算法

主要包含以下要素: 


 A. 資料處理與分析(Data Processing and Analysis) 


  AI的核心在於數據,資料處理包括數據清理、整合、儲存及分析。 

  關鍵技術如ETL(Extract, Transform, Load)流程資料庫管理大數據處理

     平 台(如Hadoop、Spark 等)。 


 B. 演算法(Algorithm) 


  為AI的邏輯基石,用於解決問題及提供決策支援。 

  常見的演算法包括

    迴歸分析(Regression Analysis)、

    分類演算法(Classification Algorithms)、

    決策樹(Decision Tree)與

     基因演算法(Genetic Algorithm)等。 

 

C. 機器學習(Machine Learning) 

  AI 的學習過程透過資料訓練模型來預測或分類,

    常見技術如

    監督式學習 (Supervised Learning)、

    非監督式學習(Unsupervised Learning)

    與強化學習 (Reinforcement Learning)等。 


 D. 深度學習(Deep Learning) 

     構建於人工神經網路基礎之上,適用於處理非結構化數據,

        如語音辨識、影像 處理與自然語言處理(NLP)等;

        常見的開發框架包括TensorFlow、PyTorch等。 


 E. 專家系統(Expert System) 

  基於規則與知識庫,模擬人類專家的決策過程,

    廣泛應用於醫療診斷、財務分 析等專業領域。 


(2)開發應用 

人工智慧的開發應用是將基礎技術轉化為實際功能與服務的關鍵階段,

涵蓋 模型設計、訓練、測試及部署等多個環節。

其目標是讓AI技術能夠解決特定業務 需求,並提升效率與價值。


(3)實際運用

 將人工智慧技術應用落地為各行業創造價值的最終目標,運用目標包括: 

  設計行業解決方案:

   將AI技術應用於具體場景,如智慧醫療、智慧物流及智慧 製造等。

   監控系統等。 

  打造產品與服務:

   開發基於AI的商業化產品,如語音助理、推薦演算法及智慧 監控系統等。

 優化業務流程:

透過AI實現業務流程優化,提高企業運營效率及競爭力等。



2025 06 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 生成式 AI 應用領域與 常見工具 文本生成(LLM)工具 1. OpenAI的ChatGPT 2. Google的Gemini 3. 微軟的Copilot 4. Anthropic的Claude 5. Perplexity6. Felo Search 影像/影片生成(Text-to-Image)工具 1. Meshy2. Midjourney3. Stable diffusion4. Kling音樂/聲音生成工具 1. Suno2. Steve AI 3. AudioCraft 程式碼生成工具 1. Github的Copilot2. Cursor3. Cosine AI

16種生成式AI工具4大領域應用

在生成式AI的世界裡,許多人可能首先想到的是OpenAI的ChatGPT。

然而,生成式AI的應用範圍遠不止於此,

涵蓋了從文本生成到圖片、影像、音樂、語音生成,

甚至程式碼生成的多個領域。

以下是一些主要的生成式AI工具,介紹它們在不同領域的應用

文本生成(LLM)工具

1. OpenAI的ChatGPT

最受歡迎的文本生成模型之一,能夠回答問題、撰寫文章、生成對話等。

2. Google的Gemini

能夠同時理解文本、影像、音訊和影片,這使其能夠更全面地處理和生成資訊,適用於各種複雜任務。

3. 微軟的Copilot

整合Microsoft 365應用程式,幫助用戶自動化任務、生成內容和分析資料,提升工作效率。

4. Anthropic的Claude

超大的上下文窗口,可處理長的文本資料。

5. Perplexity

與傳統搜尋引擎不同,Perplexity AI提供單一的、全面的答案,概括了所有需要知道的資訊。

6. Felo Search

支持多語言搜尋,能夠自動翻譯搜尋結果,消除語言障礙,使用戶能夠訪問全球資料。搜尋結果是從網際網路上即時獲取的,確保資訊的最新性和準確性。

影像/影片生成(Text-to-Image)工具

1. Meshy

從文本或影像創建3D建模檔案,從而加速3D建模的流程

2. Midjourney

以創作高品質影像而著稱,適合藝術家和設計師使用。

3. Stable diffusion

開源的影像生成模型,提供靈活且可自定義的生成過程。並有著豐富的開源模型社群,有豐富的免費模型與外掛可供嘗試使用。

4. Kling

影片及圖片生成的大模型,能更輕鬆地完成藝術影片創作。

音樂/聲音生成工具

1. Suno

音樂生成AI工具。使用者只需要輸入歌詞,就可以在短時間內自動完成作曲、編曲及演唱。

2. Steve AI

專門用於生成音樂和聲音效果,適合影片和遊戲設計。

3. AudioCraft

Meta開發的音樂生成工具,能創作高品質的音樂片段。

程式碼生成工具

1. Github的Copilot

網址:https://github.com/features/copilot

與Visual Studio Code整合的程式碼輔助工具,能夠即時補全程式碼。

2. Cursor

網址:https://www.cursor.com/

使用GPT-4,在一種新型編輯器中撰寫、編輯的程式碼。

3. Cosine AI

網址:https://cosine.sh/genie

推出了Genie,自稱全球最優秀的AI軟體工程師。

2025 06 25 左永安 顧問/講師/委員 永續管理師 AI企畫師 114年度 推動自主學習 創意健康樂學團-染彩改造素面包與白瓷杯 專題講座:成果發表 暨 行銷推廣

 


2025 06 25 左永安 顧問/講師/委員 永續管理師 AI企畫師 114年度 推動自主學習 創意健康樂學團-纏繞 畫 人生 專題講座: 行銷方向 與 成果展現注意事項 暨 消費者保護

 


2025年6月24日 星期二

2025 06 25 左永安 顧問/講師/委員 永續管理師 AI企畫師 TensorFlow Keras 機器學習(ML)生成式AI(Generative AI, GAI) 隨著人工智慧(Artificial Intelligence, AI)的迅速普及與應用, No Code 與 Low Code 平台已成為推動AI民主化(AI Democratization)的重要力量

 No code / Low code 概念

隨著人工智慧(Artificial Intelligence, AI)的迅速普及與應用,

No Code 與 Low Code 平台已成為推動AI民主化(AI Democratization)的重要力量。

這些平台透 過簡化開發流程,使更多 技術背景  的人員能夠參與AI的創建與部署。

No Code 與Low Code 平台正快速改變AI的應用格局,

不僅能幫助更多人實現創新,也將 成為未來

企業數位轉型  和  個人創造力    釋放   的基石。 

 近年來,No Code與Low Code平台快速演進,整合更多元的技術與功能,

人工智慧(AI)機器學習(ML),不僅拓展了應用範圍,

更加速了開發流程, 如TensorFlow Keras 等工具已推出視覺化介面,

讓   無程式設計經驗的  使用者   也 能輕鬆    建立機器學習模型。

此外,數據分析  與  商業智慧(BI)的    無程式化整合, 

也正改變     零售  與  供應鏈   等行業的營運方式。

透過這些工具   進行    顧客行為分析庫 存優化  與  行銷活動數據   追蹤

展現出極大的發展潛力。


 在數位轉型動力下,No Code和Low Code已成為技術開發中的重要概念,

使非技術背景的人士也能創建應用程式

與此同時,生成式AI(Generative AI, GAI) 技術的興起,

進一步加速了該概念在各行各業中的應用,打破了  應用軟體系統

必須透過軟體工程師完成的關卡,進一步增加  企業或組織   數位轉型的可能性,

 可縮短開發時間、降低技術門檻,並讓更多人參與到技術創新的過程中。

No Code 和Low Code平台各有其適用場景與特點:




2025 06 24 左永安 顧問/講師/委員 永續管理師 AI企畫師 電腦視覺中的整合應用 圖像修補(Image Inpainting): 生成式組件: 使用生成對抗網絡(GANs)或擴散模型(Diffusion Models) 來填補圖像中的缺失部分。Anomaly Detection(異常檢測):視覺基礎模型(Visual Foundation Models, VFMs)

電腦視覺中的整合應用

圖像修補(Image Inpainting):

生成式組件:

使用生成對抗網絡(GANs)擴散模型(Diffusion Models)

來填補圖像中的缺失部分。

例如,這些模型可以根據周圍像素生成可能的內容。

鑑別式組件:

一個獨立的鑑別模型評估生成的修補結果,選擇最真實或與上下文最一致的版本。

特別是在美術修復中,這種方法能確保生成的內容符合特定畫家的風格。

例子:研究顯示,在美術修復中,生成模型產生多個可能的修補結果,

            鑑別模型則根據畫家風格分配概率,選擇最佳結果。

             應用場景:文化遺產保護,修復損壞的藝術品。


Anomaly Detection(異常檢測):

生成式組件:

學習正常數據的分佈,例如工廠產品的標準圖像

鑑別式組件:

新數據與生成的  分佈比較,識別異常情況,

例如檢測缺陷產品。

應用場景:工業質量控制、安防監控。


視覺基礎模型(Visual Foundation Models, VFMs):

這些模型在大型數據集上預訓練,能同時

執行   生成任務(如文本生成圖像)和   鑑別任務(如圖像分割)


整合方式:

VFMs結合了生成式和鑑別式的能力,實現了零樣本泛化,

適用於多種電腦視覺任務。

例子:如DALL-E模型可生成圖像,也可通過適配進行圖像分類。


2025 06 24 左永安 顧問/講師/委員 永續管理師 AI企畫師 生成式AI的創造力 與 鑑別式AI的精確性 鑑別式AI:其目標 是 學習輸入 數據 與 標籤 之間的條件概率分佈。生成式AI: 其目標是 學習數據 的 聯合概率分佈。

鑑別式AI:

專注於  分類 或 區分數據,常用於圖像分類、語音辨識等任務。

              其目標 是 學習輸入 數據 與 標籤 之間的條件概率分佈。


生成式AI:

旨在   生成 與 訓練數據   相似的  新數據

           應用於圖像生成、文本生成等。

           其目標是  學習數據 的  聯合概率分佈


這兩者的整合利用了

生成式AI的創造力

鑑別式AI的精確性

形成了更強大的系統。

 

2025 06 24 左永安 顧問/講師/委員 永續管理師 AI企畫師 語音辨識中,混合HMM-DNN系統結合了 生成式(HMM建模音素序列) 鑑別式(DNN估計發射概率) 的方法,提升了準確性。

語音辨識


語音辨識中,混合HMM-DNN系統結合了


生成式HMM建模音素序列)

鑑別式DNN估計發射概率)


的方法,提升了  準確性


2025 06 24左永安 顧問/講師/委員 永續管理師 AI企畫師 ChatGPT Prompt的中文是「ChatGPT指令」

 

2025 06 24左永安 顧問/講師/委員 永續管理師 AI企畫師 ChatGPT Prompt的中文是「ChatGPT指令」


 ChatGPT Prompt的中文是「ChatGPT指令


意指與ChatGPT展開對話的問題,或是任何形式的描述。 


用戶若不提供Prompt,ChatGPT就無法生成回應,


而且Prompt越清晰,回應就越準確。



2025 06 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 初 級 考科及合格能力表現 AI 技術在隱私、安全性與倫理層面 人工智慧基礎概論 生成式 AI 應用與規劃 主要職責 MAIN DUT Y 評估與分析 AI 技術 1. 掌握 AI 技術發展及應用趨勢 2. 掌握目標並確立需求 3. 評估應用或發展效益 提出 AI 應用策略及建議 1. 制定 AI 技術應用發展計畫 2. 制定 AI 技術應用規範 負責 AI 應用開發與部署規劃 1. 協調開發資源並制定 AI 應用開發計畫 2. 監控開發進度與解決技術問題 3. 確保 AI 應用部署與系統整合 執行 AI 應用發展與持續優化 1. 執行與管理 AI 專案 2. 持續精進與優化

 A I 應用規劃師 

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


主要職責 MAIN DUT Y

評估與分析 AI 技術 

1. 掌握 AI 技術發展及應用趨勢

2. 掌握目標並確立需求 

3. 評估應用或發展效益

提出 AI 應用策略及建議 

1. 制定 AI 技術應用發展計畫 

2. 制定 AI 技術應用規範

負責 AI 應用開發與部署規劃 

1. 協調開發資源並制定 AI 應用開發計畫 

2. 監控開發進度與解決技術問題 

3. 確保 AI 應用部署與系統整合

執行 AI 應用發展與持續優化 

1. 執行與管理 AI 專案 

2. 持續精進與優化



初 級 考科及合格能力表現

人工智慧基礎概論

 

• 能掌握人工智慧的基本概念與應用領域,瞭解人工智慧的定義、

  基本理論和核 心目標  及 AI 技術在隱私、安全性與倫理層面

   可能面臨的挑戰。 


具備基本的資料處理 知識,包括資料收集、清洗、分析和視覺化等過程,

   並能 夠理解資料在 AI 模型中扮演的角色與作用。 


理解機器學習的基本原理及其在 AI 中的作用,並熟悉常見的機器學習方法

   及 其應用。 


能夠區分鑑別式 AI 和生成式 AI 的特性,並理解生成式 AI 的概念、基本原理 

  及其相關應用。 


生成式 AI 應用與規劃 

• 理解 No Code / Low Code 工具的基本概念與應用,掌握其在生成式 AI 

   應 用中的 功用和優勢,並能運用工具進行 AI 解決方案 設計與測試。 


熟悉生成式 AI 常見工具的基本操作,瞭解其應用領域及適用場景,

  能有效選 擇與應用。 


掌握生成式 AI 導入的初步規 劃要領,包含需求確認、資 源分配、

  試 用測試 等 步驟等


2025年6月23日 星期一

2025 06 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 產業職能基準與能力鑑定考試將提供以下應用: 企業:工作說明書、招募面談、訓練地圖、員工發展計畫 培訓機構:訓練規劃、發展能力鑑定 學校:課程規劃、輔導學生就業 個人:個人能力評估

 

職能基準定義

定義

為完成特定職業(或職類)工作任務,所需具備的能力組合(知識、技能、態度)。

目的

為厚植產業人才資源,促進我國產業結構調整與優化,充裕產業創新發展與結構優化所需重點人才,本計畫積極結合民間產業公協會能量,加速建置重點產業之關鍵人才之職能基準工作,作為企業、培訓機構、學校、個人的參考應用,職能基準有多元之應用方式,如能力鑑定、開發產業認同之職能課程、推動企業人資制度應用、學校學程發展等,藉此促使人才供需兩端能以相同標準培育及發展人才,期能解決職能落差、企業不易找到適當人才的問題。




經濟部為有效提升產業人才素質,近年來持續致力於專業人才培訓發展。為了更明確產業對各類專業人才的能力需求,特別針對亟需人才的多項重點產業,邀集產官學專家,發展產業職能基準,提供各界依其內涵辦理培訓課程及規劃能力鑑定機制。

經濟部產業專業人才發展推動計畫為促進政府資源發揮更大效益,特建置經濟部產業職能基準專區 ,彙整經濟部內已發展之產業職能資料,並透過推廣應用,讓人才供給端(如學校及培訓機構),及需求端(如企業),能以相近的標準培育及選用人才,使人才能充分為產業所用,進而提升整體產業人才素質。

產業職能基準與能力鑑定考試將提供以下應用:

企業:工作說明書、招募面談、訓練地圖、員工發展計畫

培訓機構:訓練規劃、發展能力鑑定

學校:課程規劃、輔導學生就業

個人:個人能力評估


2025 06 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應用規劃師職能基準 職類名稱 AI應用規劃師

 職類名稱  AI應用規劃師





(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。

2025 06 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 非監督式學習(Unsupervised Learning) 監督式學習(Supervised Learning) 機器學習(Machine Learning, ML) 鑑別式 AI(Discriminative AI)與生成式 AI(Generative AI)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

 鑑別式 AI(Discriminative AI)與生成式 AI(Generative AI)


鑑別式 AI(Discriminative AI) 

- 負責區分不同類別,透過數據學習決策邊界,例如分類器。

生成式 AI(Generative AI) 

- 透過  學習數據分佈   來產生   新的數據

   如圖像、文本、音頻等。

機器學習(Machine Learning, ML) 

- AI 的核心領域,包含鑑別式與生成式 AI

監督式學習(Supervised Learning) 

- 需要           標籤數據   來訓練 AI   進行   分類或生成。
  
非監督式學習(Unsupervised Learning)

 - 不需要 標籤數據,透過模式識別 來    學習   數據特徵。



鑑別式 AI 相關技術與應用

邏輯迴歸(Logistic Regression) - 最基本的鑑別式模型,用於二元分類。

支援向量機(SVM, Support Vector Machine) - 透過超平面來區分不同類別的數據。

決策樹(Decision Tree) - 根據數據特徵建立分類規則。

隨機森林(Random Forest) - 由多棵決策樹組成,提高分類準確率。

深度神經網路(Deep Neural Networks, DNN) - 多層神經網絡用於分類與預測任務。

卷積神經網絡(CNN, Convolutional Neural Network) - 主要用於影像識別,如人臉識別。

遞歸神經網絡(RNN, Recurrent Neural Network) - 處理序列數據,如語音識別與翻譯。

變分自動編碼器(VAE, Variational Autoencoder) - 可以用於生成新數據,
                                                                                         但同時具備鑑別能力。
Softmax 函數 - 在分類模型中,用來將輸出轉換為機率分佈。

交叉熵損失(Cross-Entropy Loss) - 常用於分類問題的損失函數。


生成式 AI 相關技術與應用

生成對抗網絡(GAN, Generative Adversarial Network)
       - 由一個生成器(Generator)與一個鑑別器(Discriminator)組成,能夠生成高品質數據。

變分自動編碼器(VAE, Variational Autoencoder)
一種深度學習模型,能夠學習數據分佈並生成相似數據。

自回歸模型(Autoregressive Model) - 例如 GPT,根據過去數據來預測未來數據。

GPT(Generative Pre-trained Transformer) 
- 生成式 AI 的代表性模型,可用於對話、文本創作等。

Transformer 架構 - AI 生成模型的核心技術,使用自注意力機制(Self-Attention)。

BERT(Bidirectional Encoder Representations from Transformers) -
                主要用於 NLP 任務的鑑別式 AI 模型。

Diffusion Models(擴散模型) - 一種新的生成式 AI 方法,用於高品質圖像生成,
                                                       如 Stable Diffusion。

文本到圖像生成(Text-to-Image Generation) - 例如 DALL·E,可根據文本描述生成圖像。

語音生成(Text-to-Speech, TTS) - 例如 WaveNet,能夠產生自然語音。

風格轉換(Style Transfer) - 透過 AI 改變圖像風格,如將照片轉為藝術畫風。


生成式與鑑別式 AI 比較與應用場景

鑑別式 AI 的目標 - 將輸入數據分類,確定屬於哪一類,如垃圾郵件分類。

生成式 AI 的目標 - 產生新的、逼真的數據,如 AI 畫圖、AI 小說創作。

應用場景 - 鑑別式 AI - 臉部識別、安全監控、金融風險評估、醫療診斷。

應用場景 - 生成式 AI - 文本創作、音樂生成、虛擬角色設計、數據增強。

未來發展趨勢 - AI 的發展趨勢是結合生成式與鑑別式 AI,使其能夠既能識別又能創造,
                             如 AI 驅動的智能決策與內容創作。





2025 06 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應用規劃師(初級) 學習指引 平均差(Mean Deviation): 是所有 觀察值 與 平均數 之間 絕對差值 的 平均, 其數值越大,表示 資料的 分散程度越高。2.抽樣變異(Sampling Variation) 在進行統計分析時,從母體中抽取 樣本所計算 出的 統計量 (如樣本平均數、樣本標準差), 往 往 因樣本的隨機性 而與 對應 的 母體參數 有所差 異。 這種因抽樣而產生的 統計量 變動現象 稱為: 抽樣變異(Sampling Variation)3.統計推論:

 AI應用規劃師(初級) 學習指引


1.平均差(Mean Deviation):

    是所有  觀察值    與  平均數    之間   絕對差值   的  平均

    其數值越大,表示 資料的    分散程度越高


2.抽樣變異(Sampling Variation)


進行統計分析時,從母體中抽取    樣本所計算 出的   統計量

(如樣本平均數、樣本標準差),

   往 往   因樣本的隨機性   與   對應  的  母體參數   有所差 異


這種因抽樣而產生的  統計量   變動現象 

稱為: 抽樣變異(Sampling Variation)


3.統計推論:

  根據樣本資料,判斷    是否   接受 或 拒 絕   統計假設的過程。





當我們進行一次假設檢定,得到的p值為 0.03,

而我們事先設定的顯著性水準為0.05。


以 下哪一個敘述最合乎統計檢定的意義? 

 (A) 我們有97%的信心拒絕虛無假設 

 (B) 我們在95%的信心水準下拒絕虛無假設

 (C) 我們無法拒絕虛無假設

 (D) 我們犯型一錯誤的機率為5% 


 答案:(B)我們在95%的信心水準下拒絕虛無 假設。

 解析:

顯著性水準設定為0.05表示,我們容許 

最多5%的機率犯型一錯誤(即Type-I Error)

並非代表實際犯錯的機率是5%。 



2025 06 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 應用規劃師能力鑑定 L111 人工智慧概念 L112 資料處理與分 析概念 L113 機器學習概念 L114 鑑別式 AI 與 生成式 AI 概念 L12 生成式 AI 應用與規 劃 L121 No code / Low code 概念L122 生成式 AI 應 用領域與工具使用L123 生成式 AI 導 入評估規劃

 AI 應用規劃師能力鑑定 

 

L11 人工智慧 基礎概論


L111 人工智慧概念 

  L11101 AI 的定義與分類 

  L11102 AI 治理概念

      如框架、歐盟、數位發展部 《公部門人工智慧應用參考 手冊》、

      金融監督管理委員 會《金融業運用人工智慧 (AI)指引》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 


L113 機器學習概念

  L11203 資料隱私與安全

  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、多模態學習


 L114 鑑別式 AI 與 生成式 AI 概念

   L11401 鑑別式 AI 與生成式 AI 的基本原理 

     基本原理、運用技術測試與 驗證、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


 L12 生成式 AI 應用與規 劃

L121 No code / Low code 概念

     L12101 No Code / Low Code 的基本概念

         No code / Low code 工具本 身的基本認知與基礎概念 

     L12102 No Code / Low Code 的優勢與限制

       No code / Low code 一般基 本的理論知識與實際在各場 域應用的情況 


L122 生成式 AI 應 用領域與工具使用

     L12201 生成式 AI 應用領域與 常見工具

         領域如文本、圖像和聲音等; 工具如 OpenAI API、ChatGPT、 Midjourney 、 

          Copilot Studio 、 VS Code for Copilot、Github Copilot、 Cursor 等

     L12202 如何善用生成式 AI 工 具 

        如 Prompt、RAG 等 


L123 生成式 AI 導 入評估規劃 

     L12301 生成式 AI 導入評估

       如技術或工具效能評估、適用 解決方案選擇、成本效益分 析、AI 代理等;

       經濟部產業發 展署《AI 導入指引》相關資料 等。

     L12302 生成式 AI 導入規劃

       如目標設置、資源分配、導入 策略、因應措施、測試等

     L12303 生成式 AI 風險管理

      如生成式 AI 倫理風險、資料 安全隱私與合規性、風險影響 等


2025 06 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 「股本回報率」ROE (Return On Equity) 「每股盈餘」EPS (Earnings Per Share)臺灣指數公司與富時羅素合作, 使用FTSE4Good ESG評鑑資訊進行指數編製 針對企業於 ESG (環境、社會、公司治理)進行評分。 環境層面:生物多樣性、氣候變遷、汙染、水資源、供應鏈。 社會層面:勞工、人權、社區、健康與安全、對消費者的責任;這些部分也會檢查供應鏈的表現。 公司治理層面:稅務透明、風險管控、公司治理、反貪腐。「企業管理營運於ESG(環境、社會、公司治理)的風險」「企業於綠色產品的機會(綠色收入因子Green Revenues)」

臺灣指數公司與富時羅素合作,


使用FTSE4Good ESG評鑑資訊進行指數編製

2019-12-31公民CSRone

全球永續投資規模達30.7兆美元

台灣證交所總經理簡立忠於開幕致詞時表示,

根據「全球永續投資聯盟」(Global Sustainable Investment Alliance, GSIA)

《2018年永續投資報告》(The Global Sustainable Investment Review)顯示,

全球永續投資的規模已達到30.7兆美元。

另一方面,目前簽署聯合國責任投資原則的投資機構約有1,900家,

管理資產總規模合計超過80兆美元,顯見永續投資的規模和需求,勁道強大。

目前台灣上市櫃公司已有350家企業撰寫CSR報告書,占總數的37%。

而證交所為督促機構投資人進行更為健全的投資,曾於2016年倡導

「機構投資人盡職治理守則」,該份守則也有142家機構投資人完成簽署,

足見台灣ESG投資已蔚為趨勢。

成分股企業永續改善績效高出2倍

隸屬於倫敦證券交易所的富時羅素(FTSE Russell)董事總經理林瑩慧則表示,當2001年富時羅素開始編制 FTSE4Good 指數時,普遍不被看好。NPO與NGO認為納入的方式與標準太寬鬆,企業界卻認為太嚴格。

然而,經過長期的堅持努力與更新編製,目前 FTSE4Good 的系列指數已經普遍獲得全球的認可。且隨著時空與市場的變遷,富時羅素將納入更多的方式和規則,指數編製也將越趨嚴格。

至於納入指數有什麼影響?林盈慧指出,

根據富時羅素2018年《STEP Change Report》的分析報告,

納入指數的公司於永續方面的改善,比未納入指數的企業高出2 倍左右。

這代表編制指數,對企業確實有著正面的意義與督促力量。

目前包括台灣的退撫基金,以及日本最大退休基金GPF等投資機構,

皆大力支持永續投資指數。日本富時羅素已經推出2檔與永續相關的ETF指數,

先鋒集團(Vanguard Group)澳洲公司也推出1檔與永續相關的ETF指數。

而台灣於2019年首次公布的台灣永續指數成分股,也共有69家企業納入。

諸多案例皆顯示,全球責任投資風潮銳不可擋的趨勢。

元大投信董事長劉宗聖則以16年前與富時羅素合作訂定「台灣50」指數的經驗,

分享他對未來投資趨勢的看法。首先,昔日企業做永續是加分,現在是高標準,

未來則將成為企業的基本配備。

其二,以往市場看企業,是市值愈大權重越大,目前已非純粹考量市值,

還要增加非財務的基本面表現。

最後,投資不再只重視短期獲利,而是考量中長期的配置。

根據聯合國責任投資原則(The Principles for Responsible Investment, PRI)

的資料顯示,2018年全球已有超過2千家機構投資簽署這項責任投資原則,

總管理資產超過1,600兆美元。而全球永續投資的規模從2012年的13兆美元,

已爬升到2018年的31兆,預計2020年將達到35兆美元。

Harris表示,永續投資成為風潮的三大基石分別為:

指數創新(Index Revolution)、

數據進化(Data Revolution)、

永續意識崛起(Sustainability Revolution)

。透過這三項因素的激盪,讓永續投資逐漸成為全球共識。

而富時永續投資指數的框架,是衡量企業兩個範疇而來,

分別是

「企業管理營運於ESG(環境、社會、公司治理)的風險」,以及

「企業於綠色產品的機會(綠色收入因子Green Revenues)」

其中企業管理營運於ESG風險的衡量,共有14項主題、300多項獨立指標。

富時永續指數會

依據企業ESG風險與綠色收入的機會,

給予投資分析(投資產業評分或篩選),

研究與投資組合分析(趨勢分析、觀測永續投資組合)

乃至於

建立指數(成分股篩選、主題性指數、智慧永續指數、氣候加權指數)。

臺灣69家永續成分股ESG表現良好

Harris強調,企業必須更加著重改進自身所屬產業的相關議題,

並且最好與投資評鑑機構保持通暢的溝通管道,審慎地回應。

而針對台灣永續指數的部分,Harris則指出,台灣企業整體於ESG的表現良好,

尤其是環境項目平均得分2.89(滿分為5分),其他亞洲市場僅平均1.93分。

不過台灣企業在社會供應鏈(1.86分)、風險管理(1.98分)與

環境供應鏈(2.09分)等主題,則仍有待加強。

臺灣永續指數涵蓋14項主題評分

稍後,臺灣指數公司研發部陳文練資深總監在座談時表示,

此次與富時羅素的合作是著眼於國際層面,非僅臺灣角度。

FTSE4Good指數的編製,首先是使用GEIS (FTSE Global Equity Index Series)

來挑選中大型股,所謂中大型股有兩項先決條件:市值和股票流動性

股票流動性可反應出股票價格的波動,非僅靜態的參考價。

經過上述兩項篩選後,再根據公開資訊,

針對企業於 ESG (環境、社會、公司治理)進行評分。

  • 環境層面:生物多樣性、氣候變遷、汙染、水資源、供應鏈。

  • 社會層面:勞工、人權、社區、健康與安全、對消費者的責任;這些部分也會檢查供應鏈的表現。

  • 公司治理層面:稅務透明、風險管控、公司治理、反貪腐。

這14項主題共300多題項獨立指標,台灣每家企業平均接受約120題項的檢驗。

這些初步檢驗數據,會送請企業覆核回應,再經過討論整合的程序,

才會公布最終評分。

若成分股成績出來後,有重大且頻繁地發生負面的ESG事件發生,

仍有可能會被除名。

ROE、EPS:成分股〉出版CSR報告〉未出版CSR報告

陳文練並提出數據表示,從2015年到2018年不論是

「股本回報率」ROE (Return On Equity)或者是

「每股盈餘」EPS (Earnings Per Share)來看,

成分股的企業皆優於出版CSR報告書的企業,又優於未出版CSR報告書的企業。

陳總監也特別說明,此處的 ROE、EPS皆是中位數,

而不採用易被極端值所誤導的平均數。以此觀察,2018年股價,

成分股的企業EPS報酬率是4.76,優於出版CSR報告書的企業2.5,

而未出版CSR報告書的企業則是負4.6。

陳總監說明,ESG投資已成為主流。全球不論是主動或者是被動的篩選方式,

皆指向ESG成為共同的評鑑標準。

尤其是經濟不景氣時,ESG對企業具有防衛避險作用的效應尤其明顯。

ESG數據可讓企業表現出復原能力佳、韌性好、以及展現領先的預判能力

財務報表已經落伍 ESG投資是領先指標

接著,座談會主持人元大投信黃昭棠總經理向

安永聯合會計師事務所會計師曾于哲提問道:「非財務數據對ESG投資有何影響?」

曾于哲表示,過去只看資本報酬分析、財務報表的投資行為已經落伍,

目前整合看非財務數據的ESG投資才是領先指標。

曾于哲引用稍早的一項研究表示,95%的國際投資人認為結合財務與非財務資訊

的「整合性報告」(Integrated Report, IR)對投資行為來說最是重要

90%的人則認為,股東會年報對投資是重要的。而有53%的投資人認為,

CSR報告書對投資行為是重要的。

此外,國際投資人非常重視企業於

核心本業價值、供應鏈、人權與氣候變遷

等四層面的執行與回應能力

85%的投資人會主動找企業的上述四項資訊。

曾于哲表示,投資者想看到企業衡量未來的現金流量能力,

以及企業因應各項重大風險的能力。

對企業來說,TCFD不只是一個框架而已,相反的面對著嚴峻的氣候變遷之衝擊,

投資人會想知道,包括航空業、化工業、食品業的董事會是否已經意識到資本擱淺?

未來打算怎麼做?

投資人不只看當前,還想看企業五年後的預期表現。

曾于哲說,對環境友善已經不再是企業的道德責任,而是應該與企業的

日常營運密切結合。

例如,為了因應氣候變遷,歐盟地區已經通過產品標註碳足跡的規章

未來國內企業的跨境銷售,勢必需納入碳足跡的管控,

才有機會和歐洲做生意。以及,這些相關的數據和資料,

或許都已經在企業CSR報告書中有註明,

但重點是:這些資訊有否納入董事會的決策?

在新資本主義下,投資者會普遍發現,重要的參考數據或訊息散落在各處,

品質也不一定可靠,如何建立一個投資等級的財務與非財務數據,

才是投資者想要的終極目標。

 

文章來源:CSRone