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
訓練品質管理迴圈
Plan 計畫
關注 訓練規劃 與 企業(訓練機構) 營運發展 目 標 之 關連性 以及
訓練體系 之 操作 能力
Design 設計
著重 訓練方案 之 系統化設計
（含 利益關係人之參與、與 需求之結合度、遴 選 課程標準、採購 標準程序）
Do 執行
強調 訓練執行 之 落 實度 、訓練紀錄 與 管理之系統化 程度
Review 查核
著重 訓練的 定期性 執 行分析、全程監控 與 異常處理
Outcome 成果
著重 訓練成果 評估 之 等級 與 完整性、 及 訓練 之 持續改善
人才發展品質管理系統
勞動部勞動力發展署參酌 ISO10015、 英國IIP 及 我國訓 練產業發展情形，
制訂「訓練品質系統」（Taiwan TrainQuali System, TTQS ），
並於103年更名為
「人 才發展品質管理系統」（Talent Quality-management System, TTQS），
目的有二：
1.做為 職前 或 在職訓練 辦訓體質 辨識工具，確保 訓練 流程
可靠性 與 正確性。
2.提升 事業單位 及 訓練機構 辦訓品質，創造 訓練品質 持續改善，
提升 人培體系 運作 效能。
金融業運用人工智慧(AI)指引
「金融機構」包含
1.金融控股公司、
2.銀行、
3.信用 合作社、
4.票券金融公司、
5.信用卡公司、
6.信託業、
7.電子支付機構、
8.辦理 郵政儲金匯兌業務或簡易人壽保險業務之郵政機構、
9.證券商、
10.證券投 資信託事業、
11.證券金融事業、
12.證券投資顧問事業、
13.期貨商、
14.槓桿交易 商、
15.期貨信託事業、
16.期貨經理事業、
17.期貨顧問事業、
18.保險公司、
19.保險 合作社、
20.保險代理人、
21.保險經紀人及
22.保險公證人。
金融業相關公會 如訂有運用AI之自律規範，可參考本指引納入相關重點及措施；
如未 訂定相關自律規範，則建議金融機構參考本指引導入、使用及管理AI 系統。
金融機構在運用AI系統辦理金融創新業務時，如有必要，
本 會鼓勵金融業者可透過金融科技創新實驗 或 金融業務試辦 等機制進 行測試。
金融業運用人工智慧(AI)指引
一、 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
1.感知、
2.預測、
3.決策、
4.規劃、
5.推理、
6.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。
二、AI系統生命週期
AI 系統的 生命週期 主要包括以下4個階段：
(一) 系統規劃及設計：
設定 明確的 系統 目標 及 需求。
(二) 資料蒐集及輸入：
資料 蒐集、處理 並 輸入 資料庫 之階段。
(三)模型建立及驗證：
選擇 與 建立 模型演算法 及 訓練模型，並 對模型 進行驗證
以 確保 模型 效能、安全性 與 機密性。
(四)系統佈署及監控：
將系統應用於實際環境中，且 關注模型 是否已 完備，並 持續監控
以確認系統所帶來之 潛在影響。
金 融機構運用AI系統，可能為自行研發3並使用，因此包含上述4階 段。
金融機構亦可能委託第三方業者研發或購入AI系統後，再佈署 該系統並監控，
因此金融機構 不盡然均會 經歷上開4階段。
金融機構 運用AI系統時宜辨識4個階段中可自行監控風險之程度，並得對自 身
較無控制權的部分或事項，透過契約或其他方式與合作廠商
明訂風 險監控責任之分工。
為簡化文字，本指引以
「導入(introduce)」AI，表 示 前述(一)、(二)及(三) 3階段，
以
「使用(use)」AI 表達第(四)階段。
至本指引之「運用(apply)」AI則 係 整體性概念，包含上述4階段。
養生之道
第一位：多踮腳，腳跟不著地
第二位：多握拳，伸展手指
第三位：多轉眼球，上下左右轉動
第四位：多叩齒，上下牙齒輕輕叩擊
第五位：多揉腹，以肚臍為中心，順時針輕柔打圈
第六位：多梳頭，用指腹從前額向後腦輕輕梳理
第七位：多搓耳，用雙手輕輕揉搓耳朵
第八位：多深呼吸，深吸氣時腹部隆起，呼氣時腹部下陷
第九位：多散步，選擇空氣清新的地方，步伐適中
第十位：多泡腳，水溫控制在40 - 45攝氏度，浸泡15 - 20分鐘
第十一位：多曬太陽，在陽光不強烈時，曬15 - 30分鐘
第十二位：多拍手，雙手用力對拍
第十三位：多聳肩，雙肩緩慢向上聳起，靠近耳朵，
然後放鬆放下
第十四位：多扭腰，雙腳與肩同寬，雙手叉腰，緩慢轉動腰部
第十五位：多提肛，有規律地收縮、放鬆肛門
第十六位：多伸懶腰，全身伸展，儘量拉伸身體各部位
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
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）
請問下列何者 不是 常見的 特徵選取 技術 或方法？
(A) 皮爾森積差相關分析（Pearson Correlation）
(B) 主成分分析（Principal Components Analysis, PCA）
(C) 迴歸分析（Regression Analysis）
(D) 隨機森林（Random Forest）
交叉驗證 的 主要目的 是什麼？
(A) 提高模型的訓練速度
(B) 驗證數據是否線性可分
(C) 減少模型的過擬合風險
(D) 測試模型的容錯能力
神經網路 與 傳統 機器學習模型 的主要區別是什麼？
(A) 神經網路無法處理非線性數據
(B) 神經網路透過多層結構學習複雜特徵
(C) 神經網路只適用於迴歸問題
(D) 神經網路不需要大量數據支持
下列關於 生成對抗網路（GAN）的 描述正確的 是哪一項？
(A) GAN由生成器和鑑別器組成
(B) GAN僅用於分類問題
(C) GAN的結果始終高度可解釋
(D) GAN不能生成高品質的數據
在下列 哪一種 應用領域中，生成式AI 最有可能 被使用來 創建新的圖像
或 影片內容？
(A) 產品品質檢測
(B) 醫學影像分析
(C) 監控系統
(D) 虛擬現實圖像
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）
在品質管理中，若一 產品的 生產過程 中 標準差 顯著偏大，通常意味著什 麼？
(A) 資料點高度集中，產品質量穩定
(B) 生產過程波動大，產品品質不穩定
(C) 資料無法反映產品實際狀況
(D) 中位數數值高，品質良率較高
在檢視 資料品質 時，可參考 資料的 變異程度 及 資料的 集中趨勢。
下列何 者 不屬於 資料集中趨勢 衡量的方法？
(A) 平均數（Mean）
(B) 中位數（Median）
(C) 眾數（Mode）
(D) 標準差（Standard Deviation）
某醫院研究特定心血管疾病的成因，收集了 50名病患 與 150名正常人 的
年齡、血壓、血型 等三項 屬性變數。
此研究適合使用下列哪一種機器 學習模型來建立？
(A) 決策樹（Decision Tree）
(B) 線性廻歸（Linear Regression）
(C) 基於密度之含噪空間聚類法
（Density-Based Spatial Clustering of Application with Noise, DBSCAN）
(D) K-means聚類（K-means Clustering）
銀行 想建立 聊天機器人，可透過下列哪一種領域技術來達成？
(A) 資料庫管理技術
(B) 機器學習與自然語言處理
(C) 網頁開發技術
(D) 網路安全技術
線性迴歸模型 最適合 解決 哪種類型 的問題？
(A) 圖像分類
(B) 銷售額預測
(C) 聚類分析
(D) 遊戲策略學習
假設某國正在考慮使用AI技術來進行社會信用評分，
並根據年齡、缺陷、種族等特徵來評定個人的信用；
同時，該國計劃在 公眾場所 使用遠程生物辨識系統 進行執法，
目的 在於提高 社會秩序 和 安全。
上述AI應用可能會引發對隱私和個人權利的重大關注，
根據歐盟《人工智慧法》 AIA (Artificial Intelligence Act, AIA）
的風險分級，這類應用屬於哪一風險等級？
(A) 不可接受風險
(B) 高風險
(C) 有限風險
(D) 小或低風險
下列何者 非 大數據時代 資料的特性？
(A) 資料量大
(B) 資料變動速度快
(C) 資料多樣性
(D) 資料存儲位置固定
關於K平均法（K-means），下列敘述何者「不」正確？
(A) 希望找出k個互不交集的群集
(B) 不同的起始群集中心，可能會造成不同的分群結果
(C) 容易受雜訊與離群值（Outlier）影響其群集中心
(D) 可以處理類別型資料
下列哪一種資料類型 不屬於 非結構化資料？
(A) X光醫學影像
(B) 監控錄影畫面
(C) 客服電話錄音
(D) 組織內部的關係型資料庫記錄
下列資料型態，何者最常用來儲存 員工年齡、員工年資、貨品銷售量 等資料？
(A) 文字型（Text）
(B) 數值型（Numeric）
(C) 日期型（Date）
(D) 布林型（Boolean）
iPAS AI應用規劃師初級能力鑑定-考試樣題
(樣題範例非正式考題，僅供參考使用)
關於AI，下列敘述何者正確？
(A) AI僅能處理結構化數據的分析
(B) AI涵蓋多種專業領域與技術
(C) AI系統只能在學術研究中應用
(D) AI無法應用於金融領域
下列何者最適合訓練電腦下圍棋、自動駕駛等動態重複地互動的問題？
(A) 監督式學習（Supervised Learning）
(B) 非監督式學習（Unsupervised Learning）
(C) 半監督式學習（Semi-supervised Learning）
(D) 強化學習（Reinforcement Learning）
深度學習模型中，下列哪一項通常用來降低 過擬合（Overfitting）問題？
(A) 增加訓練數據量
(B) 增加模型的複雜度
(C) 增加學習率
(D) 增加正則化項
在AI治理中，下列何者是國際合作的重要性？
(A) 統一AI發展標準
(B) 避免AI技術的濫用
(C) 促進AI技術的轉移
(D) 以上皆是
若要設計一個能夠辨識並過濾垃圾郵件的系統，應該選擇下列哪一種
機 器學習演算法以實現最佳效果？
(A) 監督式學習（Supervised Learning）
(B) 非監督式學習（Unsupervised Learning）
(C) 半監督式學習（Semi-supervised Learning）
(D) 強化學習（Reinforcement Learning）
數位轉型階段
1.數位化 (Digitization)
將傳統的 實體資料 或 流程 轉換 為 數位形式，
以便 更有效 地 儲存、處理 和 傳輸 資訊。
2.數位優化 (Digital Optimization)
透過 運用 數位 技術 和 工具， 提升現有 業務流程 和 系統 的 效率 和 效果，
從而 提高 生產力 和 競爭力。
3.商模再造 (Business model reengineering)
創新 和 重新設計 企業的 業務模式， 以 適應 市場變化 和 技術發展，
從而 創造 新的 價值 和 收入 來源。
三類專業人員 左永安顧問/講師 您好：
感謝您參加 114年TTQS三類專業人員回流訓練課程。
課程名稱：組織分析與發展
講師：****
日期：114年07月29日（星期二）
時間：09:30～16:30（報到時間：09:20～09:30）
親愛的 左永安老師您好：
檢送114年共通核心職能課程師資回流暨研習會議結果及授課單元聘任函證明
親愛的 左永安 顧問，您好！
非常感謝您對「114年度人才發展品質管理系統」的支持。
迴歸分析中，通常有兩種主要類型的變數：
自變數（Independent Variables）：
自變數 也叫 解釋變數 或 特徵，主要用來 預測 因變數。
在迴歸分析中，我們會收集一些 自變數 的 數據，
例如 房屋的大小、廣告的投放金額 等
因變數（Dependent Variable）：
因變量 也較 響應 變量，是要 預測 或 解釋 的變量。
在迴歸分析中，建立一個模型，用 自變數的值 來預測 因變數的值，
例如 房屋的售價、產品銷售等
迴歸分析 的目標 是找到 自變數 和 因變數 之間的 關係，
並建立一個 適當的 數學模型 來描述 這種 關係。
最簡單的情況 是 一元線性迴歸，
其中只有一個自變數和一個因變數之間的關係
可以用一條直線來表示，更進階的還有 多元線性迴歸 和 非線性迴歸
但我們要如何知道這條線是好是壞呢？
可以用 每個點 與 這條線 的 直線距離，
來衡量 實際值 與 預測 值 的 誤差。誤差越小，模型越準確
AI應用規劃師
初級
4 大機器學習模型
機器學習演算法大致上也可分為 4 種類別，
分別是：
1.監督式學習、
2.非監督式學習、
3.半監督式學習、
4.強化式學習。
【監督式學習】
定義： 學習模型 使用 有標籤 的 訓練數據，其中每個輸入樣本
都有 相應的 目標輸出。
特色： 模型 根據已知 的 輸 入 和 輸 出 示例進行訓練，
以預測 未知數據 的 輸出。
監督式學習 適用於 分類 和 回歸 等任務。
監督式學習的優點是 學習效果 通常 比較好，因為
模型有明確的目標值可以參考。
但是，監督式學習 也需要大量的 標註資料，這可能會比較 耗 時 和 昂貴。
【非監督式學習】
定義： 學習模型 使用 無標籤的 訓練數據，沒有預先定義 的 目標輸出。
特色： 模型探索數據的內在結構，通常用於集群分析、降維和異常檢測等任務。
非監督式學習 不需要 預先標記 的 輸出。
非監督式學習 的優點 是不需要 標註資料，因此可以節省人力和時間。
但是，非監督式學習的 學習效果 通常不如 監督式學習，因為模型沒有
明確的目標值可以參考。
【半監督式學習】
定義： 結合 監督 和 非監督式 學習的元素，模型使用
既有標籤 的數據 和 沒有標籤 的 數據 進行訓練。
特色： 這種方法 利用 未標記數據 來 增強 模型的性能，尤其在標記數據有限
的情況下。半監督式學習 可以提高 模型的 泛化能力，
通常比 監督式學習 或 非監督式學習 的 學習效果更好。
【強化式學習】
定義： 學習模型 透過 與環境的 交互學習，從而 最大化某種累積 的回報，
是一種 基於 獎勵 和 懲罰 來學習的 機器學習方法。
在強化式學習中，機器學習模型 透過不斷 嘗試 和探索，
來 找到 能夠 獲得最大獎勵 的 行為。
特色： 模型透過 在環境中執行動作 來學習，並根據 反饋 調整其策略。
強化式學習 常用於處理 需要做出 一系列決策 的 問題，
如遊戲、機器人控制 等。
但是，強化式學習的 學習過程 通常 比較緩慢，
需要 大量的 試驗 和 錯誤。
決策樹是樹狀演算法的代表，
其延伸還有隨機森林與 GBDT (Gradient Boosted Decision Tree) 演算法。
決策樹的核心概念就是在尋找「重要的屬性」，
怎樣才算是重要的屬性 會 因用途 而 有所不同，
但「重要的屬性」基本上 能「降低 某件事情的不確定性 的 數量」；
在分類問題中，就是希望 分割出來 的 群組內
越純、均一、同質性 越高越好，
而 組間的差異 要大。
決策樹的流程，就是在降低不純度同時理解這批資料。
最常見的分割原則稱為資訊增益 (information gain)，
它是一種以「熵」ㄕㄤ（entropy，雜亂程度）作為純度衡量基礎的方法。
當 某個屬性 對分類越有用，代表我們透過該屬性建立的區隔，
能大幅降低 entropy，使 資訊增益 大幅提升。
舉例來說，若要在一批貓與狗的資料中區分二者，
「毛色」可能無法帶來 最大的資訊增益，而「耳朵形狀」
可能就能大幅降低分類的雜亂程度，大幅提高資訊增益。
因此「耳朵形狀」會是區隔貓狗中很重要的屬性。
樹狀結構 由根部開始 由上而下，由根節點開始、每個節點 都用一個屬性
作檢驗，以分支出 更多的 內部節點 與 終端節點（即葉節點，為預測結果）
構成。
在上述的例子中，「耳朵形狀」作為重要的屬性，更可能被放在上方的節點。
決策樹有幾個特點：
SVM 的概念其實不像它的名字一樣難以理解；
SVM 的目標，是在畫出一條決策分界線 (decision boundary)，
在決策分界線的兩側找與這個邊界最相近的資料點作為 support vector，
希望最靠近邊界的這些 support vector 可以與這條現有最大的距離，
以便區分二類。
另外，SVM 演算法還會使用「核心」 (kernel) 的技巧。
核心 (kernel) 的概念就是，「在較低維度時無法以線性分割的資料，
將他們 轉至更高維度，就是能夠線性分割的」；
想像手機遊戲《水果忍者》，如果那些水果全都放在桌上（二維），
你很難用一條直線將他們區隔開來，但當他們被拋到空中，
你就能在空中（三維）畫出一個切面來分隔這些水果，
而這個切面在三維空間裡屬於線性，但投射回平面，就可能是條曲線。
常見的核心技巧如
線性核心 (linear kernel)、
多項式核心 (polynomial kernel)、
RBF 核心 (radial basis function)。
SVM有以下幾個特點：
KNN 演算法就如字面上意思一樣直觀，它會在輸入一筆資料 i 時，
根據與 i 最鄰近的 k 個已知資料類別，去決定該筆輸入資料的類別。
這種演算法除了做分類用途，也能用來做近似項目的搜尋。
須注意的是，如果當某個屬性值出現在絕大多數的資料中可能會影響結果。
例如 100 筆資料中有 90 筆具 A 屬性、10 筆具 B 屬性，則有可能
在測試資料的眾多特徵都偏向 B 時卻被分為 A 類，
因此資料須先經過正規化處理。
另外，k 的選擇也可能大幅影響決策分界線的結果，
原因是 k 具有類似「投票票數」的概念。
因此，當 k 為偶數而 k 個最近鄰居有多個類別「票數」一樣多時，
或當 k 為目標類別數的倍數時，都會有難以判定類別的問題。
另外，當 k 的數量過小或過大時，
也會產生 overfitting 或 underfitting 的問題。
選擇 k 值時，通常會將資料間的距離與散布方向作為驗證參考。
KNN 演算法幾個特點如下：
發表文章
所有留言
