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
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。
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 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。
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
TCFD，全稱為
氣候相關財務揭露工作組織(Task Force on Climate-related Financial Disclosures)，
是一個由G20 成立的國際組織，
旨在提供一套標準化的、自願性的氣候相關財務資訊揭露建議。
其主要目標是幫助投資者和其他利害關係人
更好地 理解和評估 企業所面臨 的 氣候相關 風險和機會，
並 促使 企業 採取 更積極 的 行動 來應對氣候變遷。
G20 於2015 年成立了TCFD，並於2017 年發布了最終報告，
提出了一套 針對 氣候 相關 財務 資訊揭露 的 建議框架。
TCFD 的框架已被全球數千家公司和監管機構所採用，
成為國際認可的氣候相關資訊揭露標準，
並與其他永續準則(如TNFD) 相互接軌。
TCFD 的影響力在於其推動了
1.氣候相關資訊揭露的標準化
2.提高了企業的風險管理能力、
3.增強了企業的透明度和可信度，並
4.引導了投資者和企業的行為，從而
5.推動了全球應對氣候變遷的進程。
永續授信
永續授信概念
目前永續相關貸款商品主要有四種：綠色貸款、社會貸款、永續貸款、永續連結貸款。
國際倡議
赤道原則：
由荷蘭銀行、巴克萊銀行等國際大型銀行共同發起制定，屬自願性行為規範。
責任銀行原則 (PRB)：
PRB是由聯合國環境規劃署推動的準則，旨在引導銀行業實踐永續，屬自願性遵循。
永續 保險
綠色 保險：
具有綠色性質或元素的保險商品皆可視為綠色保險。
主要目的：提高環境治理與監管之水準。
國際倡議
永續保險原則 (PSI)
由聯合國環境規劃署 金融倡議機構 啟動，是第一個針對保險業的永續框架。
4% 假設RCP8.5情況下，2050年臺灣本島淹水面佔臺灣本島面積約4%。
7% 相較於與海灘等距但未暴露於海平面上升風險的房產，
暴露於海平面上升風險的房屋售價平均下跌7%。
14日 上市櫃公司永續發展行動方案：
2024年起將依資本額規模分階段推動上市櫃公司應於股東會14日前上傳年報。
6個月 投信投顧事業ESG投資與風險管理作業流程暨ESG資訊揭露實務指引：
證券投資信託事業應於本指引施行後6個月內調整至符合規定。
| 法規名稱 | 中華民國證券投資信託暨顧問商業同業公會證券投資信託事業證券 投資顧問事業環境、社會及治理（ESG）投資與風險管理作業流程 暨ESG資訊揭露實務指引 |
| 發佈日期 | 民國111年6月30日 |
| 沿革資訊 | 中華民國111年6月30日中華民國證券投資信託暨顧問商業同業公會 中信顧字第1110051932號函訂定發布全文8條 (中華民國111年6月29日金融監督管理委員會金管證投字 第1110382135號函同意備查) |
ESG Environment環境保護、Social社會責任、Governance公司治理。
SDGs Sustainable Development Goals，聯合國永續發展目標。
UNEP UN Environment Programme，聯合國環境規劃署。
Apr 6, 2020
把顧客資料送進電腦，利用各種演算法加以分類之後，千萬不要以為任務已經完成，行銷資料科學家必須接著使用ROC曲線、AUC、Accuracy或PR曲線等不同的評估工具，來判斷各個分類器的分類成效。
分類器的目的在對樣本進行分類，
例如，將樣本中的男女進行區分。
不過，在預測分類的過程中，會有預測正確 與 預測錯誤 兩種結果。
因此，將分類狀況與預測結果進行排列組合，
即可得到以下四種情境，如圖1所示。
目前常用的評估分類器的方法，
可以透過ROC曲線、AUC、Accuracy、PR曲線等衡量。
(一) ROC曲線
ROC曲線（Receiver Operator Characteristic Curve，
譯為接收者操作特性曲線）。
ROC曲線以FPR為X軸；TPR為Y軸，如圖1左所示。
其中，
FPR（False Positive Rate，譯為偽陽性率），
代表分類器的預測為正（Positive），
但實際是錯的，即預測錯誤（False）；
TPR（True Positive Rate，譯為真陽性率），
代表分類器的預測為正（Positive），
而實際也是正的，即預測正確（True）。
ROC曲線呈現分類器在效益（真陽性率）與成本（偽陽性率）
之間的相對關係。
其中點（0,1）代表完美分類，代表效益最大，成本最低。
所以ROC曲線越靠近左上方越好。
(二) AUC（Area Under Curve）
AUC（Area Under Curve）代表在ROC曲線下的面積，
能表示分類器預測能力的一項常用的統計值。
前面提到，ROC曲線越靠近右上方越好，
因此，ROC曲線下的面積越大越好，代表模型的效益越高。
當AUC = 1時，代表分類器非常完美，但這畢竟是理想狀況。
當AUC > 0.5時，代表分類器分類效果優於隨機猜測，模型有預測價值。
當AUC = 0.5時，代表分類器分類效果與隨機猜測相同，模型無預測價值。
當AUC < 0.5時，代表分類器分類效果比隨機猜測差，
但如果進行反預測，就會優於隨機猜測。
(三) 準確率（Accuracy）
準確率（Accuracy）等於
正確預測的數量（包括正確預測為正或負），
除以總預測數（包括正確預測為正或負，以及錯誤預測為正或負）。
用公式來看，即為(TP+TN)／(TP+TN+FP+FN)。
基本上，準確率越高越好。
(四) PR曲線
PR曲線（Precision-Recall Curve，譯為精確召回曲線）
以召回率（Recall）為X軸，精確率（Precision）為Y軸。
一般來說，精確率與召回率越高，代表模型的效益越高，
也就是PR曲線，越往右上方靠近越好，如圖2所示。
什麼是模型（Model）？
模型是一種用來簡化和模擬真實世界 的工具。
在機器學習中，
模型 是 透過 分析 大量資料 而建立起來的數學公 式，
這個 公式可以 用來 進行預測 或 做 出決定。
AI 可協助達成的任務
1. 一次性分析大量複雜的資料，進行 條件分類、趨勢預測以 及 分群。
對應案例為群集分 析 (Clustering) ，其為 AI 模型的一種，能將
不同政府數位服務的使用者，進行相似 分群，找到需要相似類型服務的民眾。
2. 分析人類使用文字，來解讀、產生以及處理文字資料。
對應案例為自然語言處理 (NLP) ，是 進行翻譯、聊天機器人的基礎。
3. 辨識影片與圖片內容，代替人眼 去做辨識、追蹤和測量的任務。
對應案例為電腦視覺 （Computer Vision） 領域，能協助進行相片中的地址辨識，
無須手動登打輸入。
4. 語音識別技術，將說話內容轉為可閱讀的文字。
對應案例為語音辨識 （Speech Recognition） 服務，
可以將須公開之會議對話內容，轉成逐字稿。
什麼是生成式AI？
生成式AI（Generative Artificial Intelligence）
是一種人工智慧系統，
專注於生成新內容，包括文字、圖像、音樂和其他媒體。
以下是其技術基礎以及和傳統 AI 比較：
生成式AI 主要依賴於深度學習技術，包括：
傳統AI，通常指的是非生成式的 AI 系統，主要用於：
生成式AI 則專注於：
TTQS三類專業人員 您好：
感謝您參加 114年TTQS三類專業人員回流訓練課程。
推動氣候變遷管理時， 企業可以思考的 8大問題
1.我們公司價值鏈中最大的溫 室氣體排放來源為何?
2.長期而言，我們公司暴露在 哪些類型的氣候風險中?
3.對我們公司而言，有哪些誘 因、工具或指標，使公司策 略符合2度C情境
4.國際氣候策略與國家級承諾 是否整合到我們公司的發展 策略/供應鏈與採購策略中?
5.針對營運所在地(包含我國與 海外地區)的新法規，公司面 臨的潛在氣候相關風險
有哪些? 是否有特定的資產受到影響?
6.利害關係人對於我們公司 在氣候行動和碳管理行動 的期待是甚麼?
7.我們公司現行的產品與服 務，將會受到氣候策略與 目標的影響為何?
我們預計 如何因應?
8.我們公司現行的產品與服 務，在因應氣候變遷的過 程中，如何將風險轉為機 會?
氣候變遷已是全球性熱門議題， 2021年第26屆COP26訂定合約，
目標將全球升溫幅 度控制在攝氏1.5度以內。
全球最受矚目五巨頭企業Google、Amazon、Facebook、 Apple、Microsoft
都設定了永續發展指標年，
全球五分之一大型公司承諾2050年前「零 碳排」，
ESG 策略師、永續管理師等成為熱門職缺，ESG 人才躍升為最搶手新職類。
在全球永續發展浪潮衝擊之下，企業如何規劃永續發展的階段性目標，
成為經營管理 上的重要顯學。
各國碳邊境稅的實施，帶給臺灣產業極大挑戰。
因應國際趨勢，臺灣也積 極將「淨零排放」列入施政重點。
金管會於2022年發布「公司治理3.0-永續發展藍圖」，
要求實收資本額達 20 億元之上市櫃公司，
自 2023 年起應編製並申報永續報告書，
以配 合政府達到2050 淨零碳排政策，
隨後更要求全體上市櫃公司將分階段於2027 年前完成 溫室氣體盤查。
臺灣所有上市櫃公司以及出口導向的企業，都必須要在永續發展的國際標準
上立即進 行規劃、執行與揭露成果，否則法遵無法合規，
企業必須在環境、社會與公司治理三方面 的國際標準上，設定目標持續優化。
然而，對大部分的企業來說，
1.如何有效進行企業營運 活動內碳盤查與揭露
2.順利通過第三方查證
3.正確進行符合GRI標準永續報告書的編製
4.如何配合供應鏈的碳中和目標進行減碳計畫
等諸多議題，都半尚未做好完全準備。
形成性評量 與 總結 性評量
教學評量想要瞭解學生：
學習前 的起點行為在哪裡？
學習中 應採取什麼教學策略？
學習時 有什麼障礙急待克服？
學習後 是否達成預期的教學目標
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
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 與核心演 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 及 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。
發表文章
所有留言
