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
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。
生成式AI技術突破
生成式 AI 的 技術進化 主要得益於 幾項關鍵技術 的 發展，
這些技術突破互相 融合，提升了生成模型的效能與實用性：
生成對抗網路（GAN）：
引領了高品質圖像生成的潮流，並能夠生成多樣化且真 實感強的圖像。
變分自編碼器（VAE）和
流式模型（Flow-based Generative Model）：
提供 穩定性 和 機率 生成方法，使生成模型在更廣泛的應用中穩定運行。
Transformer 架構與自注意力機制（Self-attention）：
尤其是 GPT 系列模型，徹底 改變了 語言生成 的 方式，
並 支持 大規模的 多模態 生成，
如 DALL-E 和 Stable 3-20 Diffusion，將文本與圖像生成結合。
預 訓練與模型微調技術：
如 少樣本學習 和 提示工程 提升了模型的適應性與精準 度。
加上人類回饋（反饋）
強化學習（Reinforcement Learning from Human Feedback, RLHF），
可使生成結果 更貼近 用戶需求。
高效推理與模型壓縮：
如 vLLM架構，讓 生成式AI 能夠在 實時場景中應用，
特 別適用 於 邊緣計算 和 移動設備。
Readiness
在指的是準備就緒的狀態，而在專案管理中，
它強調確保所有相關要素（如人員、流程、技術和資源）
已經準備好，以確保專案的順利執行。
此概念延伸為 評估 組織 或 團隊 能否 有效執行 任 務 的 關鍵指標，
並 可根據不同的 專案階段 與 目標，分為多種類型。
No Code平台的核心特點是使用圖形化介面（UI）
讓用戶無需撰寫任何 程式碼即可完成開發，而
Low Code平台則是結合了 少量 程式設計 與 圖形化工 具，
適合具備基本技術能力的用戶。
選擇與評估No Code / Low Code平台時
需要考量的6個關鍵因素：
（1） 目標用戶與技術需求
No Code 平台：主要面向 非技術使用者，允許透過直觀的
拖放介面構建 應用程式，適用於 快速原型設計或 解決簡單 業務問題
的場景， 例如 建立 簡易的 工作流 程 或 內部工具。
Low Code 平台：針對具有一定技術背景的使用者，提供視覺化開發工具，
同時 允許編寫少量程式碼以實現更高的自訂性，適合需要開發具
有複雜邏輯 或功能 的應用程式，特別是在企業級應用場景中。
（2） 功能與擴展性
系統整合能力：評估平台與現有系統（如CRM、ERP等）
的整合能力，以確保 數據流通 與 業務流程 的 無縫連接。
高度自訂性：確保平台能 夠滿足 特定業務需求，並提供足夠的自訂選項，
如自 定義報表、工作流設計等。
（3） 安全性與合規性
資料安全與隱私保護：確認平台符合相關的資料保護法規，
並提供必要的安全 措施，包括 資料加密、身份驗證、多重安全機制 等。
權限管理：確保平台具 備細緻的 權限 控制，能有效限制敏感資訊
的存取， 保護 企業核心資料的安全。
（4） 成本與效益
總擁有成本（Total Cost of Ownership, TCO）：考量平台的購買、維護、
培訓等 相關成本，評估其對企業的整體財務影響，避免隱性費用。
投資回報率（Return On Investment, ROI）：
衡量平台在縮短開發週期、產品上市 時間，提升開發效率等效益，
確保投資具有實際價值。
（5） 技術支援與社群資源
技術支援：評估平台提供的支援服務，包括 技術文件、
線上論壇 和 專業客服， 確保在開發過程中獲得即時幫助。
用戶社群活躍度：社群是否活躍，能否提供豐富的開發資源與經驗分享。
（ 6） 市場評價與案例
用戶評價：查閱其他企業或使用者對平台的評價，了解其優缺點及
實際應用效 果。
成功案例：了解平台在相似行業或業務場景中的應用情況，
評估其 適用性 和 可 靠性。
企業應根據自身業務需求、技術能力與預算
進行全方位評估，並深入了解各 平台的功能優勢，
選擇 最能支持 業務成長 與 創新 的解決方案。
MACD 黃金交叉:
定義:
當MACD線(快速移動平均線) 從下往上突破訊號線(慢速移動平均線)，
且柱狀圖由負轉正，表示行情可能由弱轉強，有上升趨勢。
進場訊號:
一般被視為買入訊號，預示著價格可能上漲。
注意事項:
有時會出現「假突破」，特別是在震盪盤或籌碼偏空時，
需要結合其他指標判斷。
MACD 的全名是 Moving Average Convergence Divergence，
中文翻譯為「平滑異同移動平均線」。
它是根據兩條不同週期的移動平均線計算出來的，
能清晰呈現市場的技術分析結果。
主要由三個MACD參數組成：
DIF（快線）：12日均線減去26日均線的值。是受每日價格變化影響較敏感的線！
MACD（慢線）：DIF的9日移動平均值，是受每日價格變化影響較不敏感的線！
OSC（柱狀體）：快線減去慢線的差值。這部分以紅綠柱表示：
紅柱（正值）：當快線高於慢線，顯示多方趨勢。
綠柱（負值）：當快線低於慢線，顯示空方趨勢。
KD指標上彎:
定義:
KD指標中，K值由下往上穿越D值，被視為黃金交叉，代表短期趨勢看多。
進場訊號:
被視為短期買入訊號，可以考慮進場或平倉空單。
注意事項:
需要注意K值和D值的位置，若K值過高(如80以上)，可能為超買訊號，
股價可能回檔。
股價突破近期高點:
定義: 股價 向上突破 前一個交易區間 的高點，表示多頭力量增強，
有機會延續漲勢。
進場訊號:
被視為買入訊號，但也要注意是否伴隨成交量放大。
注意事項:
需要警惕「假突破」，避免追高。
成交量成長:
定義: 當股價上漲且成交量同時放大，表示買盤積極，市場認同度高，
股價上漲的可能性較大。
進場訊號:
被視為強勁的買入訊號，可以考慮進場。
注意事項:
如果股價上漲但成交量萎縮，可能表示上漲動能不足，需要謹慎。
AI No Code / Low Code 生成式AI（如ChatGPT、DALL-E等）
進一步提升No Code和Low Code平 台的效能，
實現自動化、智慧化 開發 與 應用。
（1） 自動生成程式碼：AI 協助開發 客製化功能，節省開發時間。
（2） 模板設計優化：AI提供設計建議，快速完成介面設計與互動流程。
（3） 數據分析與決策：AI基於專案數據進行分析，提供決策建議並
自動化操作。
（4） AI驅動的UI/UX設計：根據文字描述 自動生成多樣化UI設計 方案，
設計師 可快速 微調 與 應用。
（5） 自動化行銷文案生成：輸入產品資訊，AI即時產出吸引人的
行銷內容， 加速 行銷策略佈局。
（6） 個人化App快速開發：透過用戶數據分析，生成符合需求的應用，
實現 個人 化體驗 與 快速部署。
初級「AI應用規劃師」科目二之考試內容
包含「生成式AI應 用與規劃」之評鑑主題
1.「No code / Low code概念」
2.「生成式AI應用領域與工具 使用」
3.「生成式AI導入評估規劃」
幫助考生掌握 生成式AI 相關技術的 基本概 念、
實際 應用場景 及 工具操作方法，
並充裕 評估 導入 生成式AI的能力。
No Code與Low Code平台快速演進，整合更多元的技術與功能，
如 人工智慧（AI）與 機器學習（ML），
不僅拓展了應用範圍，更加速了開發流程，
如 TensorFlow 及 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
1.顧客行為分析、
2.庫 存優化與
3.行銷活動數據追蹤，
展現出極大的發展潛力。
循環經濟 BS8001
BS 8001 是什麼??
BS 8001 循環經濟標準是全球第一個提供企業施行循環經濟原則的框架和指引，
此標準是由英國標準協會(BSI)制定並在2017年發布。
循環經濟是追求一個可恢復、可再生的生產模式，
不同於傳統線性經濟中「壽終正寢」的概念。
透過將產品 在廢棄階段回收 並 再造 以達到 廢棄物減量
的目的，使資源能夠更有效率地被利用。
線性經濟 vs 循環經濟
循環經濟的概念與 以往線性經濟的最大不同，在於線性經濟的過程是從
「原物料取得-產品製造-使用與廢棄」，這樣的商業模式不但耗費大量資源，
而 產品製造過程中 也產生許多無法回收再利用的廢棄物，
對於自然資源的耗費甚鉅，
且 為了處理廢棄物 產生 的環境汙染 也對 自然生態造成無法挽回的影響。
而循環經濟則是 讓原料資源 能夠回收再製的商業模式，
讓產品回收後製成再生料，再生料可以再根據其特性做成新的產品，
建構出「原料-產品-再生資源」的循環，達到降低對環境的衝擊與資源的浪費。
BS 8001 架構
BS 8001能夠協助組織 依循循環經濟的原則，
找出組織要如何開發出全新的經濟模式而獲利，
並且在 面對可能的衝擊 時 更具有 韌性。
其主要分為四個部份：
一般性原則（General）：
協助組織來改善其對於 循環經濟的 認知 並 確認 組織與 循環經濟的相關性
指導原則（Guiding principle）：
概述循環經濟框架執行的原則，並為 如何達成 決策和 符合 指引下
所完成的活動提供了策略性的框架
彈性框架（Flexible Framework）：
提供了一個彈性的框架使組織來決定執行循環經濟的
預期 程度 及 轉換 更為循環及永續的經營模式
參考指引（Supporting Guidance）：
提供了執行BS 8001過程中需考量的問題點，如 財務/法規/採購/產品成份 等，
及如何因應 的 指引，
包含 啟動機制及 組織可以 轉換 更為 循環 及 永續 的 營運模式，
並 說明 其導入時 所需要考慮 的 主要因子
淨零碳排
碳中和 Net Zero ISO 14068-1
依據 行政院環境部 公布的「碳中和實施與宣告指引」和
英國標準協 會 BSI 所制定的「碳中和」(ISO14068-1)，
完成碳中和 需 先 完 成 碳盤查 ⮕ 碳減量 ⮕ 碳抵換 三個程序，
並 通 過 第三方驗證，才能宣稱 完成碳中和。
我們透過 自然碳匯、綠電 或 碳權交易 協助客戶 完成碳抵換 的部分，
進而實現 碳中和 目標，協助客戶找出最適合他們需求的
碳匯 或 碳權 來源。
自然碳匯
自然碳匯 是以 保存、管理 或 再造自然生態 來 吸儲 二氧化碳 等溫室氣 體。
大自然靠著生態系中原有的運作方式，就能吸收二氧化碳，
但 過度開發 破壞了生態系統 原有吸收溫室氣體的能力，
因此 自然碳匯 的方法 多以 生態保護、生態復育、改善土地管理 等方式完成。
森林碳匯(綠碳)
主要方式有 增加森林面積、加強森林經營 管理 及 提高國產材使用，
目前國內可適用 5 項造林 或 再造林 減量方法。
土壤碳匯(黃碳)
量測土壤 有機質轉成碳匯，取得方式包含
增加碳匯量 (增加生物堆肥、草生栽培等方式)、
減排 (減少或不 整地)以及
農業剩餘資材 再利用。
海洋碳匯(藍碳)
以 紅樹林復育、海草床復育、鹽沼植物、 新增溼地 等方法增加碳吸收。
產品碳足跡 ISO 14067
ISO 14067產品碳足跡標準
是用於評估 產品 或 服務 在 生命週期 當中 產生 的排放,
其中 詳述了 計算 碳足跡 的 方法 和 準則, 用來 評估 一項 產品 或 服務
的 溫室氣體排放。
通過實施 ISO 14067,
企業 能清楚了解 碳足跡, 進而 制定 減碳策略 或 製程優化,
也能向 消費者 傳達 產品碳足跡 資訊,推動 低碳經濟 的發展。
碳足跡的計算
碳足跡的計算包含了整個產品或活動的
生命週期(life cycle)
生命週期(life cycle)
是指 產品 從 原料採集 到 最終處置 的過程。
1.原料 2.製造 3.配銷 4.使用 5. 廢棄
常見模式有三種：
1.搖籃到墳墓 涵蓋原料>製造->配銷->使用->廢棄五個階段
2.搖籃到大門（不包含產品配送）只有原料>製造階段
3.大門到大門（不包含產品配送）只在製造階段
溫室氣體盤查 ISO14064-1
ISO 14064 是國際標準組織(ISO)制定的一系列
測量、報告和查證 企業或 組織的 溫室氣體排放量 的 標準，
針對 具 控制權 的 邊界 進行溫室氣體 盤查 與 分析。
ISO 14064-1
測量 與 監測 指南 和 規範,
此部分介紹了 測量 和 監測 企業的溫室氣體排放 量的 方法 和 技術。
ISO 14064-2
測量 和 報告 確認 和 報告 組織內 溫室氣體排放量。
此部分提供了 確認 和 報告 組織內 溫室氣體 排放的 標 準 和 指南。
ISO 14064-3
確證 和 查證 驗證 企業溫室氣體排放量 的 報告。
提供 確證 和 查證 溫室氣體報告的 技術 和 指南。
溫室氣體盤查?
排放數據的 透明化, 讓 利害關係人 能清楚 組織的減排。
將數據 文件化 並 保存, 能 有效追蹤組織減排 的 成果。
更容易 找出 組織在 製程 或 營運上 能夠減排的 機 會 或 風險。
因應 國際間 及政府 對於溫室氣體的 法規管制, 響應永續發展。
未來 溫室氣體排放會成為投融資的一項評估標準,溫室氣體排 放的
評估 若未完善 將可能 對組織的 財務方面 造成衝擊。
溫室氣體盤查的流程
進行溫室氣體盤查時,有一個可供遵循標準及流程,
步驟上大致分為下列五個步驟 邊 源 算 報 查
邊 - 設定邊界
成立小組 啟動盤查，確認 並 設定 組織要做盤查的範圍，
通常用股權比例、 營運 或 財務控制權 來 確定邊界。
源 - 鑑別排放源
鑑別出 對於組織 有重大衝擊 的 排放 源、匯 或 儲存庫，
根據鑑別的 結 果及 量 化，方能制定未來減排的策略。
算 - 計算排放量
蒐集 組織的 排放數據 並 做計算，量化組織的排放情形，
並 設定 基準年 做為未來 減排績效 的 比較基準。
報 - 報告製作
解說 國際標準、指引，根據不同課題 給予相應的 實務訓練，
建立 組織內部 ESG 文化。
查 - 查證
將 報告書 按 組織需要 做 內部稽核 或 第三方查驗機構 查證。
發表文章
所有留言
.jpg)
.jpg)
