嗨 我是CCChen
已參加經濟部iPAS AI應用規劃師-初級評鑑考試
預計2025年舉辦4場考試,已執行2場考試,
我都有參加也都合格.
也已報名8/16第三場初級考試
目的是持續收集考試題目與題型趨勢
順便為11月份第二場AI中級考試暖身與複習基礎知識
相關考試成績如下:
相關合格證書下:
本篇文章分享我從零開始，如何準備與學習，順利通過2次的初級測驗，連續合格取證的經驗分享:
適合對象: AI初學者, 無相關經驗者.
準備時間: 約1~2個月, (每天學習1~2hr)
學習目的: 取得” iPAS AI應用規劃師-初級” 合格證書
學習建議: 分”四個階段”學習，請依自身目前實力與程度評估從哪一個階段開始。
2025/06/23 更新
推薦筆記: iPAS AI應用規劃師初級學習筆記與題目 V3版
筆記連結: https://vocus.cc/salon/678ac6e5fd89780001eb761c/products/AIGO168
最新版更新, 含考古題收集+重點模擬猜題
本次新增: 排版格式調整,題號, 頁碼, 人工校稿+AI校正.
本篇文章為~階段二: (認識AI) 的經驗分享:
(使用AI工具: GPT 4o + Gemini 2.5 Flashv協助彙整與生成內容+ )
階段二: (了解AI)
適合對象: 已有AI相關基本知識者
學習時間: 約2~3周
學習內容:
3. 詳細了解” iPAS AI應用規劃師-初級”簡章中的科目評鑑主題與評鑑範圍。
4. 針對每一個科目的各大主題+重要關鍵字，再更深入與擴展相關概念/原理/技術/演算法了解，通常每個主題會再擴展3~5個重要關鍵專有名詞。
📘 一、學習主題整理（條列說明）
1. 人工智慧概念（Artificial Intelligence, AI）
- 定義： AI是讓機器模擬人類智慧（如學習、推理、感知與決策）的一門技術。
- 解釋： AI 不僅僅是編寫規則，更是讓電腦能從資料中自行學習與適應環境。
- 範例： 自動駕駛車、聊天機器人、智能客服系統。
- 相關關係： 是後續所有主題（歷史、應用、政策指引）的核心基礎。
2. AI發展歷史（History of AI）
- 定義： AI歷史是人工智慧技術從構想到應用的發展演變。
- 解釋：
- 1956：AI正式命名（Dartmouth會議）。
- 1970-90：AI寒冬，因計算能力與資金限制。
- 2010起：深度學習、巨量資料與算力興起，帶動AI高速發展。
- 範例： AlphaGo打敗圍棋世界冠軍、GPT模型革命。
- 相關關係： 為了解現行AI政策與應用背景的重要依據。
3. 歐盟AI Act（EU AI Act）
- 定義： 歐盟立法提案，用以規範AI系統的風險等級、透明度、責任義務等。
- 解釋：
- 採風險為本（risk-based）分級：禁止、高風險、中低風險。
- 要求高風險AI必須有透明度、可追溯、資料品質等要求。
- 範例： 人臉辨識系統、招聘用AI、信用評分系統。
- 相關關係：
- 提供全球AI法規與治理參考框架。
- 對公部門與金融業推動AI有直接影響。
4. 公部門人工智慧應用參考手冊（Taiwan Government AI Handbook）
- 定義： 台灣數位發展部發布的AI導入指南，針對政府部門。
- 解釋：
- 包含AI導入流程、倫理風險評估、公共利益考量、資料盤點。
- 導入前需進行影響評估與技術可行性分析。
- 範例： 稅務預測、交通流量分析、社福補助申請評估。
- 相關關係：
- 回應EU AI Act規範精神。
- 是政府AI導入的制度參考與行動指引。
5. 金融業運用人工智慧（AI）指引（Financial AI Guidelines, Taiwan）
- 定義： 金管會發布之金融業導入AI的指引，強調風險與責任。
- 解釋：
- 包含AI模型的透明性、公平性、問責性與持續監控機制。
- 強調資料品質與自動決策機制的解釋能力。
- 範例： 信用評分、保險理賠自動化、智能投資顧問。
- 相關關係：
- 實踐EU AI Act的風險分級精神。
- 與「可信任AI」與「模型治理」密切相關。
1. 資料處理與分析概念（Data Processing & Analysis Concepts）
- 定義： 將原始資料轉換為有用資訊的過程，包括整理、計算、解讀與視覺化。
- 解釋： 是數據驅動決策的核心，涉及流程（如 ETL）、工具（如 Excel、Python）、與方法（如統計分析、AI建模）。
- 範例：
- 利用Python清洗氣象資料並預測降雨量。
- 企業分析銷售趨勢並調整營運策略。
- 與其他概念關係：
- 是整體資料科學的基礎。
- 與資料型態、資料收集、大數據緊密連結。
2. 資料型態與結構（Data Types & Structures）
- 定義： 指資料的格式（型態）與存放方式（結構），影響資料處理效率與正確性。
- 解釋：
- 型態： 整數、浮點數、字串、布林等。
- 結構： 一維（清單）、二維（表格）、樹狀結構、圖結構等。
- 範例：
- 使用 Pandas DataFrame 儲存銷售表格資料。
- JSON 結構常見於API回傳資料。
- 與其他概念關係：
- 是資料清理與分析的前提。
- 適當結構可提高大數據處理效率。
3. 資料收集與清理（Data Collection & Cleaning）
- 定義： 從各來源擷取資料並處理其錯誤、缺值、不一致性等問題的過程。
- 解釋：
- 收集： 可來自問卷、感測器、API、資料庫等。
- 清理： 包括標準化格式、刪除重複值、處理缺漏等。
- 範例：
- 使用爬蟲自動擷取網站價格資訊。
- 將多種格式的日期欄位統一為 ISO 格式。
- 與其他概念關係：
- 是數據分析與建模的起點。
- 對隱私與安全也有影響（需合法蒐集）。
4. 資料隱私與安全（Data Privacy & Security）
- 定義： 保護個人與機密資料不被未授權存取、使用、洩漏的措施與原則。
- 解釋：
- 包含加密、匿名化、權限控管、法規遵循（如GDPR）。
- 範例：
- 對敏感欄位進行遮蔽（如姓名、ID轉換為代碼）。
- 實施身分驗證與加密通訊。
- 與其他概念關係：
- 資料收集階段就需考慮隱私。
- 是大數據合法應用的重要保障。
5. 大數據分析（Big Data Analytics）
- 定義： 對大量、多樣、快速變動的資料進行即時處理與分析的技術。
- 解釋：
- 涉及分散式運算（Hadoop, Spark）、機器學習、預測建模等。
- 具備 3V 特性：Volume（量）、Velocity（速）、Variety（多樣）。
- 範例：
- 即時分析社群媒體趨勢。
- 分析智慧城市感測器回傳資料。
- 與其他概念關係：
- 建立在資料處理基礎上。
- 涉及資料結構、清理與安全保護。
1. 機器學習概念（Machine Learning Concept）
- 定義： 使電腦能從資料中學習並自動改善效能的AI方法。
- 解釋： 無需明確編程規則，透過資料訓練模型後能做出預測與分類。
- 範例： 信用卡詐騙預測、商品推薦系統、垃圾郵件過濾。
- 關係： 為整體AI應用的基礎，衍生出各種模型與應用。
2. 機器學習基本原理（Principles of ML）
- 定義： 機器學習運作的數學與邏輯基礎。
- 解釋：
- 資料特徵與標籤關係建模
- 損失函數（Loss Function）最小化
- 模型泛化與交叉驗證
- 範例： 最小均方誤差（MSE）、梯度下降法（Gradient Descent）。
- 關係： 為模型訓練與選擇的技術依據。
3. 機器學習模型（ML Models）
- 定義： 可執行預測、分類等任務的數學函數或結構。
- 解釋： 包括監督式學習（如決策樹、SVM）與非監督式學習（如K-means）。
- 範例：
- Logistic Regression
- Random Forest
- K-Nearest Neighbors
- 關係： 根據資料特性與任務選擇模型，並進行效能評估。
4. 深度學習基本原理（Principles of Deep Learning）
- 定義： 使用多層神經網路進行特徵學習的機器學習技術。
- 解釋：
- 模擬人腦神經元的網路結構。
- 包含前向傳播、反向傳播與權重更新。
- 範例： 多層感知器（MLP）、激勵函數（ReLU）。
- 關係： 是機器學習的一種進階方式，處理大量非結構化資料特別有效。
5. 深度學習模型（DL Models）
- 定義： 特定深度神經網路架構，用於影像、語音、語言等應用。
- 解釋：
- CNN（卷積神經網路）處理圖像
- RNN（遞歸神經網路）處理序列
- Transformer 用於自然語言處理（如GPT）
- 範例：
- LeNet, AlexNet, BERT, GPT
- 關係： 建立在深度學習原理上，用於高階AI任務。
6. 模型效能評估指標（Model Evaluation Metrics）
- 定義： 用來衡量模型預測準確性、穩定性與泛化能力的指標。
- 解釋：
- 精確率（Precision）、召回率（Recall）
- F1-score、準確率（Accuracy）、RMSE、AUC
- 範例：
- 醫療影像中，召回率（避免漏診）尤為重要。
- 關係：
- 評估ML/DL模型是否可實際應用。
- 是模型選擇與優化的依據。
1. 鑑別式AI與生成式AI概念
- 定義：
- 鑑別式AI（Discriminative AI）： 專注於判斷輸入數據所屬的類別（識別差異）。
- 生成式AI（Generative AI）： 專注於根據輸入條件生成新資料（創造內容）。
- 解釋： 鑑別式AI回答「這是什麼？」，生成式AI回答「我要產生什麼？」。
- 範例：
- 鑑別式：辨識圖片是貓還是狗。
- 生成式：生成一張貓的圖像或文章段落。
- 關係： 為AI的兩大主要任務方向，架構與目標不同但可互補。
2. 鑑別式AI基本原理
- 定義： 利用統計與分類模型，直接學習輸入資料與標籤間的邏輯關係。
- 解釋：
- 建模目標為 P(Y|X)（已知特徵X，預測分類Y）。
- 強調決策邊界，模型輸出為分類標籤或機率。
- 範例：
- Logistic Regression、SVM（支援向量機）、Decision Tree。
- 關係： 為分類任務、檢測系統的理論核心。
3. 鑑別式AI技術
- 定義： 透過監督式學習進行分類與預測的AI方法。
- 解釋：
- 主要訓練分類器與偵測模型。
- 需要大量已標記資料進行訓練。
- 範例：
- 圖像辨識（狗 vs 貓）
- 信用評分（高風險 vs 低風險）
- 關係： 運用於風險控制、安全監控等任務中。
4. 生成式AI基本原理
- 定義： 模擬資料的生成過程，建構能夠創造出新樣本的模型。
- 解釋：
- 建模目標為 P(X) 或 P(X|Y)（生成或條件生成）。
- 強調資料內部結構與機率分布學習。
- 範例：
- 生成圖片、文字、語音、音樂。
- 關係： 強調創造性任務，近年以Transformer架構為主。
5. 生成式AI技術
- 定義： 使模型可從資料中學習分布，並生成類似新資料的AI方法。
- 解釋：
- 常見技術：GAN、VAE、Transformer（如GPT、DALL·E）。
- 可結合條件（如文字、圖像）進行跨模態生成。
- 範例：
- ChatGPT（文本生成）、Midjourney（圖像生成）。
- 關係： 支撐創意產出、自動化創作、對話機器人等。
6. 鑑別式AI與生成式AI應用領域與情境
- 定義： 兩種AI技術分別適用於不同的應用場景。
- 說明：
- 關係： 在實際應用中，兩者常互補使用以提升準確性與創造性。
1. No Code 基本概念與應用
- 定義： 不需要任何程式碼編寫，透過圖形介面完成應用程式、網站或流程的開發方式。
- 解釋：
- 強調「完全不寫程式」，使用者通常為業務部門或非技術背景者。
- 工具以拖拉、模組化、視覺化為主。
- 範例應用：
- 使用 Google Forms 設計線上問卷。
- 利用 Glide 製作 App。
- Airtable 建立資料庫應用。
- 技術工具： Glide, Bubble, Adalo, Zapier（自動化流程）
2. Low Code 基本概念與應用
- 定義： 需要少量程式碼的應用開發方式，適合有基本技術能力的人快速開發或客製化系統。
- 解釋：
- 藉由圖形化工具搭配少量程式碼，加速開發流程。
- 工程師與商業部門可協作開發。
- 範例應用：
- 使用 Microsoft Power Apps 建立內部管理平台。
- 使用 Mendix 開發流程審核系統。
- 技術工具： Power Apps, OutSystems, Mendix, Retool
3. No Code / Low Code 優勢與限制
- 優勢：
- 開發快速：大幅降低開發時間與人力。
- 跨部門協作：業務部門可主導產品雛型製作。
- 降低技術門檻：民主化軟體開發。
- 限制：
- 可客製化程度有限：較難開發複雜邏輯。
- 系統相容性問題：可能不易與現有企業系統整合。
- 平台依賴性高：資料安全與維運取決於平台供應商。
4. No Code / Low Code 應用與情境
- 常見應用場景：
- 實務導入：
- 中小企業快速試錯驗證創意。
1. 生成式AI應用領域（Generative AI Application Areas）
- 定義： 生成式AI是人工智慧中能夠創造新內容的技術，應用於多媒體、文創、教育、醫療、金融等多領域。
2. 生成式AI應用工具（GenAI Tools）
- 定義： 支援生成內容的AI模型、平台或工具，依媒介與功能分為多種類型。
3. 如何善用生成式AI工具（Prompt 工法與 RAG 策略）
- 定義：
- Prompt Engineering： 與生成式AI互動時設計有效指令的技巧。
- RAG（Retrieval-Augmented Generation）： 結合外部知識庫與生成模型的技術。
- 工具示例：
- Prompt 工具：PromptHero、FlowGPT、AIPRM
- RAG 平台：LangChain、LlamaIndex、ChatGPT Advanced Data Mode
1. 生成式AI導入評估（Generative AI Evaluation）
- 定義： 系統性評估組織是否適合導入生成式AI，包含痛點分析、技術適配與業務需求。
- 解釋：
- 評估問題：目標是否明確？有無可用數據？生成式AI能否創造附加價值？
- 採用SWOT、KPI設定、效益預估。
- 範例：
- 行銷部門想導入文案生成工具 → 評估內容多樣性與可接受風格差異。
- 客服中心希望使用ChatGPT → 評估回覆精準度與資料敏感性。
- 關聯： 是導入規劃的前提，避免無效投資或過度技術導入。
2. 生成式AI導入規劃（Generative AI Implementation Planning）
- 定義： 擬定如何將生成式AI技術整合進業務流程，包括目標設定、資源盤點與模型選型。
- 解釋：
- 包含技術選擇（如GPT API、Hugging Face模型）、工具整合（如RAG、向量資料庫）。
- 資料準備、跨部門協作、KPI量化等。
- 範例：
- 將GPT嵌入HR內部知識查詢系統。
- 使用RAG整合公司內部PDF進行問答。
- 關聯： 建立在評估後，並需考量風險與合規需求。
3. 生成式AI風險管理（GenAI Risk Management）
- 定義： 預測與防範生成式AI導入可能造成的業務、倫理、法律與資安風險。
- 解釋：
- 風險類型：虛假生成（Hallucination）、資料洩漏、AI偏誤、模型濫用。
- 策略：設立人類審核機制、透明模型來源、加強資料保護。
- 範例：
- 禁止模型回傳客戶敏感個資。
- 建立「AI產出標註」制度。
- 關聯： 是導入流程的必要控管環節，緊密結合法規與技術防線。
4. 資料安全隱私與合規性（Data Privacy & Compliance）
- 定義： 確保生成式AI導入過程中符合個資法、GDPR等法規要求，保護使用者與企業資料。
- 解釋：
- 包括：資料脫敏（Anonymization）、加密、模型輸入/輸出審查。
- 考量平台供應商（如OpenAI、Google）之資料處理政策。
- 範例：
- 不將內部資料傳至雲端API（使用on-prem模型）。
- 實施Prompt掃描與存證，建立審核紀錄。
- 關聯：
- 是風險管理的延伸與法遵保障核心。
階段三: (學習與應用AI)
適合對象: 已有AI相關知識與概念者
學習時間: 約2~3周
學習內容:
5. 針對階段一+二學習的相關AI知識，在對應相關應用工具+應用領域，導入AI相關步驟。
AI相關應用工具
AI相關應用領域
導入AI相關步驟
階段四: (AI法規與倫理)
適合對象: 已準備報考iPAS AI應用規劃師-初級考試者
學習時間: 約4~5天
學習內容:
6. 歐盟AI法案, 台灣AI法規, 其他AI相關倫理學習。
7. 相關iPAS AI應用規劃師-初級 考古題與模擬題目練習
CCChen
