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
AI的定義
1.1 人工智慧的核心定義
人工智慧（Artificial Intelligence, AI）是一門跨學科的科學，
結合了
1.計算機
2. 科學、
3.數學、
4.心理學、
5.哲學
等學科，
旨在 創造 能夠 執行 人類智能 相關任 務 的 系統。
AI的四大核心特性：
1. 感知能力：透過 感測器（如攝影機、麥克風）捕捉 環境數據。
2. 推理能力：分析 和 理解 數據，進行 邏輯推理。
3. 學習能力：通過 數據 訓練模型，不斷 改進 性能。
4. 行動能力：作出 決策 並 執行 行動，例如 機器人移動 或 生成文本。
1.2 著名學者的定義
• Alan Turing（圖靈）：艾倫·圖靈 攝於1951年
提出「圖靈測試」，
定義智能為「當機器能夠通過 模仿人類行為而被誤認為人類時，
則機器具備智能」。
• John McCarthy（人工智慧之父）：約翰·麥卡錫2006年
定義AI為「設計 智能機器 的 科學 與 工 程」。
• Marvin Minsky（AI先驅）：馬文·明斯基攝於2008年
AI是「讓 機器 模仿 人類行為 並 執行 智能 行為 的 學科」。
「TTQS強化關鍵：運用iCAP職能資源提升訓練品質」
|
課程時間：114年 7/8(二) 13:30-16:30 報到時間： 13:00報到，13:30準時上課。 以短時數學得職能知識,逐步建構職能學海,亦邀請有意發展職能導向課程 並欲申請課程發展補助款項之單位共學,將職能知識與 計畫書撰寫技能化為自己的軟實力。 學習重點 1.導入「職能」的益處 2.iCAP職能發展應用平台資源介紹 3.發展職能導向課程補助資源說明 4.職能導向課程補助計畫書說明 5.撰寫攻略教學+實作演練 |
建立AI審核機制
為了使 AI專案 在 規劃期 能解決 對應問題 且 不會帶來 潛在風險，
上線營運後 能確保其 表現 與 風險因素 受良好監督，
採取AI審核 對 AI專案 來說非常重要。
AI審核需要
1.分析AI演 算法如何運作、
2.AI是否按預期運作以及
3.運作過程中是否產生其他對社會危害。
因此，完 整之AI審核計畫 涉及對
人工智慧系統的設計、開發、部署和運行進行全面檢查，
以確 保 其 符合 道德、法律 和技術標準。
1. 規劃審核範圍和目標 •
訂立AI專案的AI審核具體目標：
常見包含資料存放、演算法偏 見、資安議題等。
•確定AI審核的範圍與週期：
需 審核之系統、應用程式和流程， 並規劃審核的固定週期。
•確定AI審核的項目：
基礎審核 項目包含數據安全隱私、模型可 解釋性與透明度、是否存在偏 見、
模型效能表現、模型是否符 合法律與規範及模型對使用者可 能帶來的潛在影響。
可參考1.5 章AI應用挑戰相關之議題。
2. 收集審核所需準備資料 •
收集有關審核範疇相關的系統檔案，
如
1系統規格書、
2數據資料、
3訓練方法 和
4算法說明。
•獲取運行數據和使用紀錄，以及期間 內使用者回報之AI系統問題。
3. 審核執行
•審查資料：
1. 檢查數據處理過程，確保 數據 收集、儲存和使用 符合隱私和 安全標準。
2. 評估算法的 公平性和透明性， 檢查是否存在偏見和歧視。
3. 分析系統的可解釋性，確保 決 策過程 透明度 與 可追溯性。
•測試驗證：
1.使用測試驗證AI系統的 性能 和可靠性。
2. 進 行 模擬 和壓力 測試，檢查系 統 在不同情境下 的表現
4. 監控改進計畫
撰寫AI審核報告，總結發現的問題和 風險。
針對發生問題提出改進建議， 並建立問題改善監控機制，
確保問題 解決且後續皆符合標準。
監督學習 （Supervised Learning）
非監督學習 （Unsupervised Learning）
半監督式學習 （Semi-supervised Learning）
強化學習 （Reinforcement Learning）
1準確率 （Accuracy）
在 評估 機器學習表現 的 混淆矩陣 中，真陽性 與 真陰性 佔全體樣本的比
例。舉例來說，在一個 以辨識出狗照片 為目標 的機器學習模型中，如
果模型 正確的辨識 出 10張狗的照片，以及10張不是狗的照片，而資
料集中共有40張照片，則準確率是50%。
2赤池資訊量準則 （Akaike Information Criterion）
透過 考慮模型 對數據 的 擬合程度 和 參數數量 來選擇最佳模型。
AIC可協助找出 參數數量 和 擬合數據 間的 平衡。
3資料飄移 （Data Distribution Shift）
為 監督式學習 的一種 現象，當資料 隨著 時間 變動時，模型效能隨之下降。
4深度學習 （Deep Learning）
深度學習 是讓電腦 模仿人腦學習，使用 多層「神經元」來處理資料。
透過深度學習，電腦能
1.識別圖片、文字和聲音中的複雜模式，並
2.自動完成 像 描述影像 或 語音轉文字
等任務。
5數位涵容 （Digital Inclusion）
運用科技 縮減 數位落差，確保 有障礙人士 及 弱勢族群 能享有與 一般民眾 相同品質 的政府服務。
6 F1分數 （F1 Score）
在 評估 機器學習表現 的 混淆矩陣 中，精確率 和 召回率 的 調和平均數，
可看為綜合指標。
7 生成式AI （Generative AI）
生成式AI 是 深度學習模型 的 一種 應用，可 根據 訓練 的 資料 產生
文字、圖像、音訊和程式碼等內容。
8幻覺 （Hallucination）
在AI領域，幻覺 指的是 生成式AI模型 產生 看似真實，但其實不正確
或誤導性的結果。
導致錯誤的原因很多，包括
1.訓練資料不足、
2.模型存在錯誤的假設或
3.用於訓練模型的資料有偏差
等。
9超參數 （Hyperparameter）
超參數(Hyperparameter) 為 訓練模型時 用來 控制 訓練過程的 變數。
哪些是 有效的 超參數 以及 超參數的 最佳值，
可以 手動 或 透過 超參數演算法 自動調校。
親愛的 左永安 先生/女士，您好
感謝您「國泰永續金融暨氣候變遷高峰論壇」實體參與，
活動當天報到時間為 08：30-09：00 ，報到時請告知「報到序號***」，
以便工作人員核對。謝謝您
活動日程：2025年7月9日(三) 09：00-16：45 (08：30開放報到)
數位涵容 (Digital Inclusion)
運用科技 縮減 數位落差，確保 有障礙 人士 及弱勢族群
能享有與一般民眾 相 同品質 的政府服務。
生成式 AI（Generative Artificial Intelligence AI），縮寫 為GAI
AI 可以透過更新資料，獲得新的決策結果，無須由人工介入 調整AI本身。
什麼是幻覺(Hallucination)?
在AI領域，幻覺是指生成式AI模型產生看 似真實，但 其實 不正確 或 誤 導性
的結果。 導致錯誤的原因很多，包括
1.訓練資料不 足、
2.模型存在錯誤的假設 或
3.用於訓練模型 的資料 有偏差
等。
檢索增強生成(Retrieval Augmented Generation, RAG)
是幻覺的一 種解決方案，
RAG 透過 結合 資訊檢索 和 文本生成 的技術，
利用 外部知識庫 來 提高 回 答的 準確性 和 資訊量。
什麼是超參數？(Hyperparameter)
超參數為 訓練模型 時 用來 控制 訓練過程 的 變數。
哪些是 有效的 超參數 以及 超參數 的 最佳值，
可以 手動 或 透過 超參數演算法 自動調校。
舉例來說，今天一個 隨機森林 的 模型 表現不佳，
會嘗試調整 的 超參數 包含
1.樹的數量、
2.每顆樹的訓練深度、
3.樣本數據權重
等不同的參數，來使模型表現變好。
什麼是資料飄移(Data Distribution Shifts)？
資料飄移 指的是 機器學習 的一種 現象，當資料隨著時間變動時，
模型效能 隨之下降。
潛在原因多為 後續新蒐集之資料 的關鍵特徵，
隨 時間 而 有所變化，
導致 仰賴原有特徵 的 模型 效能變差。
經濟合作暨發展組織(OECD)
於2019 年發布「AI原 則(AI Principles)」，
推廣運用「創新與值得信賴，且尊重 人權與民主價值」的AI。
其並以價值為基礎，列出
1.「包 容性成長、永續發展及福祉」、
2.「以人為本的價值與公平」、
3.「透明與可解釋性」、
4.「穩健及安全性」及
5.「問責」
等5項 重要原則，建議各國政策制定者採用。
G7 數位及科技部長會議於2023年4月對外表示，
同意以5項原則發展新興科技(包含AI)，該5項原則為
1.「法治」、
2.「適當程序」、
3.「民主」、
4.「尊重人權」，以及
5.「利 用創新機會」。
美國於2020年公布並於2021年施行
「國家AI倡議 法(National Artificial Intelligence Initiative Act of 2020)6」 ，
目的在確保美國在 AI 研發上的領先地位，並在公私部 門運用值得信賴的AI、
為現在及未來工作人力與AI的 整合予以準備，並協調聯邦政府各部門
持續進行的AI工作。
白宮於2022年10月發布
「AI 權利法案藍圖(Blueprint for an AI Bill of Rights)」，
列出
1.「安全與有效的系統」、
2.「運算歧視保護」、
3.「資料隱私權」、
4.「通知與解釋」、
5.「人 類替代方案、考量及應變」
等5項原則，
據以引導AI自 動化系統的設計、運用及佈署，以保護美國大眾。
聯合國教科文組織 (UNESCO) 於 2021 年發布
「對 AI 倫理的建議 (Recommendations on the Ethics of AI)」，
將「尊重、保護 及推廣人權、基本自由及人類尊嚴」列為核心價值，
並 期望各個政策領域都參考
1.「比例原則與無危害」、
2.「安全與防護」、
3.「公平與無歧視」、
4.「永續發展」、
5.「隱私權與資 料保護」、
6.「人類的監督及最終決定」、
7.「透明與可解釋性」、
8.「責任及問責」、
9.「覺察與能力素養」、
10.「多元參與、適應 性治理及協力」
等10項原則。
「金融業運用人工智慧(AI)核心原則 與相關推動政策」
112年10月17日公布
「金融機構」包含
金融控股公司、銀行、信用 合作社、票券金融公司、信用卡公司、信託業、
電子支付機構、辦理 郵政儲金匯兌業務或簡易人壽保險業務之郵政機構、
證券商、證券投 資信託事業、證券金融事業、證券投資顧問事業、期貨商、
槓桿交易 商、期貨信託事業、期貨經理事業、期貨顧問事業、保險公司、
保險 合作社、保險代理人、保險經紀人及保險公證人。
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，
進行感知、預測、決策、規劃、推理、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
1.文章、
2.圖像、
3.音訊、
4.影片及
5.程 式碼
等。
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)、
2.人在迴圈內(HITL)、
3.人在迴圈上(HOTL)，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。
促進永續發展
(一)金融機構在運用 AI 系統時，應確保其發展策略及執行與
永續 發展之原則相結合，包括
1.減少經濟、社會等不平等現象，
2.保護 自然環境，從而
3.促進包容性成長、
4.永續發展及
5.社會福祉。
(二)金融機構在 AI 系統運用過程中，宜對一般員工提供適當之教 育及培訓，
促進員工能適應 AI 帶來之變革，並盡可能維護其 工作權益。
一、目的 AI 系統之運作可能耗能、耗水，
亦可能對現有一般員工造成工作 之剝奪或威脅感，且加劇數位落差，
因此金融機構應重視社會及 環境責任，
如利用新興科技 減少資源消耗 及 促進普惠金融數位轉 型。
同時，金融機構宜在數位轉型時兼顧一般員工之轉型，
追求 永續穩定發展。
二、主要概念
(一)金融機構運用 AI 系統時，宜將社會、環境等視為利害關係人 (stakeholder)，
兼顧社會公平及生態責任，
例如 在使用過程中，
1.促 進普惠金融數位轉型、
2.降低數位落差、
3.減少水、電等能源消耗問 題。
(二)金融機構運用 AI 系統之策略及執行方向，
宜依據國際永續發展 目標及自訂之永續發展原則，
並適當列入永續發展綜合指標。
三、永續發展之落實方式
(一)辨識產生之影響：
金融機構宜建立機制辨識與評估 AI 系統
對環 境、社會產生之影響或風險。
(二)優化硬體設施：
金融機構可選擇能效較高之硬體設備，以減少能 源消耗，
例如採用節能伺服器、低功耗處理器及高效能數據中心 設備等，
並優化硬體設施之配置與管理，以提高能源利用效率。
(三)共享資源及虛擬化：
金融機構得透過虛擬化技術及資源共享方式，將運算資源及資料倉儲
集中管理，減少設置重複之硬體設置，從 而節省能源消耗。
(四)改進模型與演算法：
金融機構可優化 AI 系統之演算法及減少模 型之複雜度與計算需求，
從而提高運算效率及資源利用率。
(五)預先處理資料：
金融機構可預先處理數據，以減少不必要的數據 傳輸，並可透過提升資料
品質，減少為提升準確率而重複運算所 消耗之能源。
(六)智慧控管能效：
金融機構可借重能源效能監控系統，實時監測AI 系統之能源消耗與效能表現，
及時發現與解決能源浪費之問題， 並持續改進系統之能源效率。
(七)回收與再利用資源：
為減少地球資源之過度使用，金融機構可對 舊有硬體設備進行資源回收
與再利用，以減少電子廢棄物之產生。 金融機構並可多利用使用權概念
運用硬體設備等，減少對原物料 之利用。
(八)降低數位焦慮及數位落差：
金融機構可依據金融消費者屬性，提 供符合其需求之服務，
以降低可能之數位焦慮或落差，例如提供 金融消費者選擇面對面服務之機會，
以減少客戶對 AI 系統之焦 慮；或提供數位體驗，提升數位運用上較為
弱勢族群採用數位服 務之誘因。
四、員工教育及培訓相關事項
(一)金融機構必須尊重並保護一般受僱員工的工作權益，包括在數位 轉型過程中，
提供適當的教育及培訓以助其適應新的工作環境、 減少失業風險。
(二)金融機構在運用AI系統時，宜對員工提供相關教育及培訓，
包括 AI 基本概念及運作方式、AI 如何影響各部門及工作流程等，
並 視需要建立專案小組，負責監控AI系統之影響及員工適應情況，
以及根據實際需求調整教育及培訓計畫。
(三)金融機構亦可提高員工對節約能源、減少資源過度使用及
照顧數 位弱勢之意識，並提供相應之培訓及指導，
以促進其對永續發展 之實踐。
iPAS AI應用規劃師初級能力鑑定-考試樣題
科目二：生成式AI應用與規劃
下列何者最能表達No Code / Low Code平台的主要特色？
(A) 需要撰寫大量程式碼
(B) 運用模板快速建立應用程式
(C) 僅供專業開發人員使用
(D) 只能製作靜態網站
關於No Code AI工具，下列敘述何者最為準確？
(A) 已經完全取代傳統的AI開發模式
(B) 只適用於大型企業
(C) 是一種降低AI技術複雜性和開發成本的新興方法
(D) 工具都具有完全相同的功能和性能
下列哪種情況，選擇Low Code平台 可能比 No Code平台 更為適合？
(A) 需要非技術人員快速進行開發與應用
(B) 應用需求簡單，無需自訂功能
(C) 需要較複雜的業務邏輯並使用自訂整合功能
(D) 預算和時間極度有限
關於 生成式AI 與No Code / Low Code平台的應用，下列何者最不適 合？
(A) 自動生成程式碼
(B) 自動化生成行銷文案
(C) 快速開發個人化App
(D) 自動化生成法律判決
關於No Code / Low Code平台，下列敘述何者較正確？
(A) 兩者完全相同
(B) Low Code平台不需要任何程式設計知識
(C) Low Code平台更適合開發靈活且可擴展的解決方案
(D) No Code平台可以無限客製化
使用Low-Code平台進行開發時，企業應特別留意下列哪一項潛在風 險？
(A) 可能造成企業內部敏感資料的洩露
(B) 難以進行大規模的應用擴展和維護
(C) 開發成本將大幅增加
(D) 可能有未經IT部門管理的應用程式擴散
下列哪一種 技術方案 適用於 改善客戶體驗？
(A) 智慧排程系統
(B) 消費行為洞察模型
(C) 預測性維護工具
(D) 自然語言處理（NLP）和生成式回應模組
下列 哪一項 技術 是 生成式AI 的 基礎？
(A) 決策樹模型
(B) 聚類演算法
(C) 生成對抗網路
(D) 隨機森林技術
能 使用DALL·E-2 生成各式逼真的圖片，最關鍵 的 應用技術 為何？
(A) 卷積神經網絡（CNN）
(B) 生成對抗網絡（GAN）
(C) 擴散模型（Diffusion Model）
(D) 自然語言處理（NLP）
下列何者 不是 生成式AI核心技術？
(A) Variational Autoencoders（VAE） 變分自編碼器
是一種生成式的多層深度神經網絡演算法，為人工神經網絡結構，也是AE(Autoencoder)的變形進階版
(B) Generative Adversarial Networks（GAN）
(C) Visual Geometry Group（VGG）
(D) Autoregressive Models（AR Model）
AE是一種非監督式的多層深度神經網絡演算法，主要的目的是會對輸入的資料進行表徵學習（representation learning），並且讓output跟input具有相同的意義。
表徵學習（representation learning）：減少對於特徵工程的依賴，而是增加自動化特徵萃取的功能。可以理解為並非找到要預測的答案，而是找到一個預測、表達的方法。
使用生成式AI技術或工具生成內容時，應採取下列哪一項措施 以 確保 內 容品質？
(A) 使用內容直接進行學術報告
(B) 適當標注引用來源
(C) 減少人工參與的審查過程
(D) 排除所有生成的資料
下列哪一項 不是 生成式AI工具 在 使用體驗 方面 的 優化方向？
(A) 提供更直觀的操作設計
(B) 支援自然語言指令
(C) 提供智慧化的參數調整建議
(D) 限制使用者自訂生成內容
學校教師 如何引導 學生 正確使用 生成式AI工具？
(A) 不應使用AI工具於教學場域
(B) 無限制地使用AI工具
(C) 訂立清晰的使用規範並進行說明
(D) 僅鼓勵學生利用AI完成課堂作業
企業 若要有效 支援 生成式AI的運行，內部IT環境 最需要 具備下列何種 條件？
(A) 提供更多的辦公設備，以提升員工生產力
(B) 精簡企業內部流程，以加速決策效率
(C) 擁有高效能運算資源與彈性儲存空間，以支援AI模型訓練與推理
(D) 增加部門之間的交流機會，以促進跨部門合作
A企業 想要實現 客服自動化，希望 透過AI 理解客戶發送的文本訊息，
並 根據文本內容 調用 相對應的 圖片 和 影片 進行回覆，
A企業應該選擇哪一 種模型？
(A) 強化學習模型
(B) 多模態模型
(C) 圖像分類模型
(D) 單模態大語言模型
下列 哪一種情境 最能展現 提示工程（Prompt Engineering）的價值？
(A) 使用者輸入一個模糊的問題，AI給出一個非常確定的答案
(B) 使用者輸入一個非常具體的問題，AI給出一個相關但不完全符合的 答案
(C) 使用者輸入一個精準有架構的問題，AI生成符合架構的答案
(D) 使用者輸入一個簡單的問題，AI給出一個非常複雜的答案
下列敘述何者 最能反映 生成式AI 在圖像生成領域 的 發展趨勢？
(A) 生成式AI目前僅能生成基於簡單算法的低解析度圖像，
且無法應用 於高解析度或細節豐富的圖像創建
(B) 隨著生成式AI技術的進步，圖像不僅風格多樣，且逼真度顯著提 升，
並可處理更複雜的圖像生成任務
(C) 生成式AI技術目的為加快生成速度，可生成靜態圖像，無法生成動 態圖像
(D) 生成式AI在圖像生成方面的發展主要集中於圖像風格轉換，
無涉及 其他類型的視覺內容生成
關於生成式AI，下列A~E敘述哪些正確？
A. 生成的內容不會帶有偏見
B. 具有高度準確性，不會有虛假信息
C. 生成內容的準確性，建議需要經過人類審核
D. 每次生成的內容都可能不同
E. 生成式AI具有高度安全性，不會導致數據外流
(A) C、D
(B) A、C、D
(C) A、B、D、E
(D) A、C、D、E
一家跨國企業計劃 在財務部門 導入生成式AI，並結合 自動化系統 進行報 告產出。
導入此系統後，最有可能實現 的 效益 為何？
(A) 增加財務收益
(B) 顯著提升報告準確性並減少人工錯誤
(C) 加速市場推廣活動並提高銷售業績
(D) 提高品牌曝光度並增強客戶關係管理
在生成式AI導入過程中，資料安全 與 隱 私保護 的 哪一方面 是 最重要 的考 量？
(A) 設定目標優先級
(B) 增強客服回饋（反饋）能力
(C) 資料視覺化能力
(D) 權限控管與合規要求
若企業將 資料安全管理 外 包 給 第三方服務供應商，屬於哪種風險應對策 略？
(A) 風險緩解
(B) 風險轉移
(C) 風險接受
(D) 風險規避
在生成式AI的 風險管理中，下列哪一項屬於 倫理風險？
(A) AI生成的內容可能帶有偏見或歧視
(B) 系統運行中斷可能導致企業業務受到影響
(C) 因資料需求增加而引起的存儲成本上升
(D) 員工培訓成本增加
在企業導入AI的實施/營運階段，為持續發揮導入AI的價值，
下列步驟 的正確排序應為何？
A. AI價值擴散 B.上線部署 C.模型監控與優化
(A) ACB
(B) ABC
(C) BAC
(D) BCA
在管理生成式AI系統的 隱私風險 時，
下列哪一種技術 最能確保 數據使用 的 安全性？
(A) 強化學習（Reinforcement Learning）
(B) 深度學習（Deep Learning）
(C) 零信任架構（Zero Trust Architecture）
(D) 注意力機制（Attention Mechanism）
在驗證生成式AI應用的 概念 驗證（Proof of Concept, POC）時，
若企 業 希望確保 模型生成 的 公平性，最適合採用哪種評估策略？
(A) 壓力測試（Stress Testing）
(B) 對抗性測試（Adversarial Testing）
(C) 偏差檢測（Bias Detection）
(D) 延遲測試（Latency Testing）
發表文章
所有留言
