左記歐洲美國台灣百年進出口商行 安永經營管理商學院 台北愛情學院 101戀愛公寓 EMBA SPA Business College 希臘愛琴海 奢華時尚 生活美學國家品質獎 國家訓練品質獎 歐洲卓越經營模式 美國卓越經營模式 PMP 雲端ERP TTQS ISO10015 英國IIP ASSTD SBIR 芳香精油療法 人力創新獎 創業輔導諮詢 TOC精實管理 MIT經營管理 全球顧問團 時尚精品綠色商城 網誌
企業導入AI五大步驟–
1.需求定義–
從了解自己的商業模式與痛點開始:
具體的目標客群是誰?–
差異化的服務/產品為何?–
關鍵的活動與資源為何?
2.現狀評估 與 資料準備–
3.組建團隊 與 治理架構–
a.在組建團隊與治理架構時，企業應 成立跨部門AI專責小組，
包括 業務 分析師、工程師、資料科學家及IT 人員，
以確保 技術 與 業務需求能夠 緊密協同。
b.同時需制定AI相關規範與倫理準則 ，
涵蓋資訊安全、隱私保護及模型 可解釋性，
以強化 風險控管 與 問責 機制。
4.模型 選型 與 開發–
5.試點 測試 與 優化
| 主條文 | 細條文 |
|---|---|
| 1範圍 | 1範圍 |
| 2引用標準 | 2引用標準 |
| 3術語與定義 | 3術語與定義 |
| 4組織的環境 | 4.1瞭解組織及其背景 4.2了解利害相關者之需求與期望 4.3決定品質管理系統之範圍 4.4品質管理系統及其過程 |
| 5領導作用 | 5.1領導與承諾 5.2品質政策 5.3組織角色、責任與權限 |
| 6品質管理系統之策劃 | 6.1 風險和機會的應對措施 6.2品質目標與規畫之達成 6.3規劃之變更 |
| 7 支持 | 7.1資源 7.2能力 7.3認知 7.4溝通 7.5文件化資訊 |
| 8運行 | 8.1運作規劃與管制 8.2產品及服務需求之決定 8.3產品及服務之設計與開發 8.4外部供應產品與服務之管制 8.5生產與服務提供 8.6產品與服務之放行 8.7不符合過程輸出、產品與服務之管制 |
| 9績效評估 | 9.1監測、量測、分析與評估 9.2內部稽核 9.3管理階層審查 |
| 10改進 | 10.1概述 10.2不符合與矯正措施 10.3持續改進 |
新版 ISO 9001 預期的變更
全面提升顧客體驗
涵蓋 整個 產品生命週期，
確保企業在 設計、生產及 售後服務 的 每個環節
都以 滿足顧客需求 為核心。
數位轉型與人工智慧(AI)整合
引入 數位化、自動化 與 人工智慧 等新興技術，
在 管理決策 與 品質控制 中發揮更大作用。
加強 AI風險管理，尤其是在 預防AI 相關 詐欺 及 錯誤判斷 方面。
強化道德與誠信管理
管理者 需積極與 公司利益 相關方 溝通，確保 企業決策 符合 誠信原則，
同時 兼顧 長期的 可持續發展。
提升品質保證(QA)戰略地位
強化 品質保證 在 品質管理中 的 核心角色，
將其 定位 為 品質控制 (QC) 和 品質管理 (QM) 的橋樑，
以 確保 產品 與 服務 的 穩定性 和 一致性。
重新定義服務與產品提供之關係
明確劃分 「產品提供」 與 「 服務提供」的 界限，
並制定 新的 服務品質管理 標準，以提升 服務業 的 品質管理 效率。
納入氣候變遷應對要求
條文4.1：組織 應評估 氣候變遷 對其運作可能造成的影響，
並將其 納入 風險管理。
條文4.2：新增：利害關係人 可提出與 氣候變遷 相關的要求。
ISO 9001 改版的各個歷程重點
第一版 - ISO 9001：1987
標準源自 軍用品質 標準，著重於製造
針對 不同業務範疇，對應 不同標準號，包含：
1. ISO 9001（從事設計、生產與服務）、
2. ISO 9002（生產與服務）、
3. ISO 9003（最終檢驗與測試）。
第二版 - ISO 9001：1994
增加 預防 措施
提供 流程 執行證據
第三版 - ISO 9001：2000
合併 ISO 9001、ISO 9002 與 ISO 9003
成為一個 ISO 9001 標準
要求高階管理層 參與 品質管理系統活動
訂定 績效與監控 績效指標
引進 七大管理原則 與 持續改進 觀念
第四版 - ISO 9001：2008
新增 工作環境管理等要求
僅 引進與澄清 ISO 9001：2000 版本名詞
第五版 - ISO 9001：2015
引進 高階架構 高級結構（附件 SL）
新增營運風險思維、取消管理代表、品質手冊 與 預防管理
僅引進與澄清 ISO 9001：2008 版本名詞
第六版 - ISO 9001：2026
預計下一次更新將於 2026年9月 發布，隨後有一個三年的過渡期，
在此期間兩個版本都將保持有效。
新版 ISO 9001 現階段修訂進度
新版 ISO 9001 標準修訂已於 2023 年 12 月確定更新的明確目標，
表示將會對 ISO 9001 的多項品質管理的主題內容進行調整，
使標準適應當前的營運環境。
其中 ISO 標準的修訂流程包含以下五個階段，2025 年 1 月 啟動 CD 諮詢
ISO標準審查分為 7 個步驟：
1.初步階段：
確定是否需要修訂或審查標準
2.提案階段（AWI – 核准的工作項目）：
新的標準或修訂提案獲得批准，工作正式開始。
3.準備階段（WD – 工作草案）：
初稿由工作小組準備，該工作小組由相關行業的專家組成。
4.委員會階段（CD – 委員會草案）：
委員會成員審查草案，並收集回饋意見以完善標準。
5.詢問階段（DIS – 國際標準草案）：
完善後的草案將向公眾開放，讓 ISO 成員發表評論和投票。
6.批准階段（FDIS – 國際標準最終草案）：
在處理 DIS 階段的所有意見後，準備最終草案。
它經過最終投票。
7.發布階段：
標準成功批准後，作為官方ISO標準發布。
ISO 國際標準一般的改版週期平均落在 6-8 年，
ISO 9001 品質管理系統（ISO 9001 Quality Management System，QMS）
自 2015 年的版本發佈以來，
本應於 2023 年度會有新版本的發布，然而這次並未如預期，
目前都還在 ISO 技術委員會的修訂階段中，
睽違近十年， 預告 ISO 9001 新版將會在 2026 年 9 月 問世。
ISO 9001 是一項國際認可的品質管理系統標準，
旨在幫助組織提升產品和服務品質，並確保 一致性。
它提供了一套框架，使企業能夠 建立 和 實施 有效的流程，
以 滿足 客戶需求，並 持續改進 其 業 務 運 營。
2025-08-01傅莞淇 遠見雜誌
隨著人工智慧應用深入產業，業界爭搶AI人才，市面上各種AI課程百花齊放，但企業究竟需要什麼樣的「AI人才」？又該如何設定AI課程期待值？為媒合企業及人才供需，數發部正式發布「AI產業人才認定指引」，連結多方培訓、認證機構以及媒合平台，要讓參與者「講同一種語言」，帶動整體成長。
助力經濟部四年培育20萬AI人才的目標，數位發展部在「World AI Vision Exhibition」（AI WAVE）展會首日，正式發佈醞釀已久的「AI產業人才認定指引」。數發部次長林宜敬解釋，策略是提供需求端、培訓方、認證方等參與者明確指引，建立一個產業生態系，助力AI人才發展。
發布儀式現場，包括資策會、經濟部 iPAS 等認證單位，巨匠、聯成等民間培訓機構，以及104與1111人力銀行等單位到場響應。初步機制協力夥伴有14個認證項目、23組課程，以及2大媒合平台。
數發部數位產業署副署長黃雅萍在發布儀式上表示，AI科技迭代快速，許多企業不確定自己該招募什麼樣的AI人才，而就業者也不清楚各方產業的人才需求。「拉近企業與人才之間的距離，讓大家有一個共識。」是發布AI人才認定指引的初衷。
這份指引共22頁，除了對AI人才提出明確定義，將AI產業人才分為研究、開發、應用三大類。研究人才的職責為創新與基礎研究，如研發新演算法及模型；開發人才將技術轉化為可執行的應用及系統，如優化模型、開發應用程式；應用人才則使用AI創造實際價值，如使用AI工具提升生產力。
在能力認證方面，也區分出三大類別：
1. 素養類認證：旨在建立AI基本認知與倫理概念，如經濟部在2025年甫啟動的「AI應用規劃師」初級、台灣人工智慧學校（AIA）的素養級認證。
2. 工具類認證：應能熟悉並應用AI工具完成任務，如Google Cloud機器學習證照、AWS Certified AI Practitioner。
3. 專案類認證：具備獨立完成AI專案的實戰能力，如IBM AI Engineering Professional Certificate、Databricks Certified Machine Learning Professional等。
黃雅萍向《遠見》解釋，這份指引旨在提出一項框架，建立各種認證之間的對應標準，讓大家可以用同一種語言溝通。至於各垂直產業所對應需求的培訓、證照等，期待各產業自行形塑，數發部目前沒有發布相關指引的計畫。
第一階段指引僅列出國內AI產業能力的相關認證，輝達等國際大廠提供的課程與認證與國內認證如何對應，會是下一步溝通的目標。
黃雅萍也提及，目前先聚焦在產業應用、公務人員培訓。但另一條研擬的發展，是與教育部討論整體AI人才職涯發展，縮小學用落差，也可望降低學生對未來就業發展的焦慮。
耕耘AI人才培育、認證已久的台灣人工智慧學校（AIA）執行長陳伶志則對《遠見》表示，台灣提供AI培訓的供應者相當多，但方向較為發散，門檻較低的部分競爭尤其激烈。如今數發部發布指引，就像「攤開光譜」，讓大家看見哪些類別的供給較少，「對培訓的單位來說，看到哪邊有市場，他就會去做。」
陳伶志肯定，數發部帶頭、把大家找齊來「打群架」，「我們比較知道自己扮演什麼角色，也可以彼此協調、互補，最後可以做得更有效率。」
陳伶志補充，比起高階研發型人才，致力於協助台灣產業升級的AIA更著重於培養AI應用人才。目前各行各業都在談AI，但大家心中所想的AI時常是不一樣的東西，這出於AI素養沒有普及、拉齊到同一水平。
他坦言，若企業內部想引入AI，但每個人想法都不一樣，計畫就很可能會失敗，「一旦失敗以後，以後這個單位要AI轉型就會很困難。因此這一塊是要趕快去補齊的。」
陳伶志看好這次發布的指引有助於培植AI素養，而隨著AI技術演變，這樣的素養基底也會隨之墊高，「所以我們一直強調，要打好這個基底。隨著AI技術發展，這樣的地板慢慢變高，整體國力也就跟著往上去了。」
104人力銀行人資長鍾文雄在座談上分享，根據104近期統計，2025年第二季AI相關工作機會達12.1萬個，比去年同期成長9.1％。其中一般製造業與批發/零售/傳直銷業，成長最為顯著，顯示AI人才需求已由研發進入應用階段。
104也觀察到，在12.1萬個AI工作機會中，有60.3％並不要求本科系背景，更確立現在能用AI解決實務問題的跨領域人才有機會找到AI領域的工作。鍾文雄認為，台灣企業對AI應用人才的需求啟動，「數發部發布人才指引，剛好在對的時間點。」
1111人力銀行策略長劉政宏亦補充，除了大企業高調招聘，台灣中小企業較無品牌優勢、薪資也較無競爭力，在徵才與留才上都面臨挑戰，推動AI也因此常感困難，時常需要倚靠企業內訓提升AI能力。這樣的人才指引有助於引導員工理解自己在產業領域的價值，以及企業設定職缺的參考。
數發部表示，未來這份台灣人工智慧學校（AIA）執行長陳伶志將作為公務人員AI培訓的參考，預計每半年進行一次修正與檢討，以求在快速變化的AI浪潮中，保持彈性及適用性。
非監督式學習
訓練資料集 是 部落格的多位訪客，並沒有 標準答案，也沒有 任何標籤，
在訓練時 只需提供 上述輸入資料，
機器 就會自動 從這些資料 中找出 潛在 規則 和 關聯性。
例如：使用集群分析 將部落格訪客 分成 幾個相似的群組，
– 常用的演算法如K-means集群分析( K-meansClustering)。
機器學習
1.非監督式學習 Unsupervised
集群 Cluster
2.監督式學習 Supervised
分類 Classification
迴歸 Regression
申請人才發展品質管理系統 TTQS (TalenT Quality-management System)
評核的好處？
鑑別式 AI：常用演算法與技術
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)–
多層神經網路 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。
模型訓練
模型訓練 是 機器學習過程 的 核心階段，其目標是透過學習
輸入特徵 與 輸出結 果 之間的 映射關係，找出最優的模型參數。
模型訓練 通 常涉及
1.損失函數的設置、
2.優化演算法的選擇以及
3.避免過擬合的策略。
1.. 損失函數
損失函數（Loss Function）是一種用來衡量 模型預測值 與 實際目標
之間差異的 函數。
透過損失函數的計算，模型可以得知 自身的損失（Loss，代表不準確度），
損失值越高，表示模型預測結果與實際值的誤差越大，反之則表示模型越準確。
因此，損失函數 可以視為 評估模型好壞的指標。
在模型訓練過程中，系統會不斷計算損失，並
透過 優化器（Optimizer）
a. 均方誤差（Mean Squared Error, MSE）：
用於迴歸任務，計算 預測值 與 真實值 之 間 平方誤差 的 平均值。
b. 交叉熵損失（Cross-Entropy Loss）：
用於分類任務，衡量預測概率分佈與真實分 佈之間的差異。
2. 優化演算法
模型的訓練過程 透過 優化演算法 調整參數，以最小化 損失函數的值。
最常見 的優化演算法是 梯度下降法 及其變種：
使用 梯度下降（Gradient Descent）
等方法來最小化損失，藉此降低模型的誤差，以達 到最佳化的目的。
常見的損失函數包括：
a. 批次梯度下降（Batch Gradient Descent, BGD）：
基於整個 數據集 計算 損失函數 的梯度 並 更新參數。
b. 隨機梯度下降（Stochastic Gradient Descent, SGD）：
每次迭代僅使用一個樣本來 更新參數，速度較快但收斂不穩定。
c. Adam（Adaptive Moment Estimation）演算法：
結合了 動量法 和 RMSProp，能夠 自適應學習率，是目前最廣泛使用的
優化方法之一。
3.. 過擬合的防範
過擬合是模型在訓練數據上表現優異，但在測試數據上 表現不佳的現象。
為 了避免過擬合，通常採用以下策略：
Regularization：
在損失函數中添加懲罰項，如L1和 L2正則化。
Early Stopping：
當模型在驗證集上的表現開始下降時，停止訓練。
Data Augmentation：
透過 隨機旋轉、翻轉等方式 擴展 訓練數據集，提升模型的 泛 化能力。
親愛的 TTQS 三類專業人員 您好：
預祝大家父親節快樂
感謝您參加 114年TTQS三類專業人員回流訓練課程。
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：
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）：
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。
AI應用規劃師
工作描述
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，
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。
科目一： 人工智慧基礎 概論
人工智慧概念
AI的定義與分類
AI治理概念
資料處理與分析概念
資料基本概念與來源
資料整理與分析流程
資料隱私與安全
機器學習概念
機器學習基本原理
常見的機器學習模型
鑑別式AI與生成式AI 概念
鑑別式AI與生成式AI的基本原理
鑑別式AI與生成式AI的整合應用
科目二： 生成式AI應用 與規劃
No code / Low code概念
No Code / Low Code的基本概念
No Code / Low Code的優勢與限制
生成式AI應用領域 與工 具使用
生成式AI應用領域與常見工具
如何善用生成式AI工具
生成式AI導入評估規劃
生成式AI導入評估
生成式AI導入規劃
生成式AI風險管理
生成式AI模型的訓練
生成式AI模型 的 訓練 通常 需要 大量的 用戶資料，
而這些資料的使用必 須符合 現行的資料隱私保護規範，
如
《一般資料保護規則》（General Data Protection Regulation, GDPR）和
《加州消費者隱私法案》（California Consumer Privacy Act, CCPA）等。
發表文章
所有留言
.jpg)
.jpg)
