這篇整理 iPAS AI 應用規劃師初級的評鑑架構。自己備考之初花了一些時間才搞清楚兩個科目的邊界，以及各自考的是哪個層次的能力。把這個全局圖先建起來，後面讀每個章節的時候比較知道自己在哪裡。
初級的職能目標
初級的定位是：能協助企業規劃與推動 AI 技術導入，並評估、選擇合適的 AI 解決方案。
這個定位決定了兩個科目的分工——科目一打底層知識，科目二考實際規劃能力。
科目一：人工智慧基礎概論
這科考的是 AI 的基礎知識，分四個主要範圍：
AI 的定義與分類——了解 AI 的基本概念，包括分析型 AI、預測型 AI、生成型 AI 的差別，以及 AI 應用時的治理概念（倫理、隱私、安全）。這塊在考題裡通常是概念辨識題，要能區分不同類型的 AI 在做什麼。
資料處理與分析——AI 的訓練仰賴資料，這塊要懂三種資料類型（結構化、半結構化、非結構化），以及資料清洗、整理、品質評估的基本流程。這塊跟後面整理過的特徵工程章節是連動的。
機器學習的三種學習方式——監督式學習（有標籤，用於分類和預測）、非監督式學習（無標籤，用於聚類和降維）、強化學習（試錯學習，用於連續決策場景）。這三種的判斷邏輯在前面的演算法整理篇裡有詳細記錄。
鑑別式 AI 與生成式 AI——這是近幾版考綱權重拉高的部分。鑑別式 AI 做的是分類和決策判斷，生成式 AI 做的是生成新內容（文字、圖像、語音）。考題常考兩者的差別，以及整合應用的場景。
科目二：生成式 AI 應用與規劃
這科考的是把生成式 AI 實際導入企業的能力，分四個主要範圍：
No Code / Low Code——No Code 讓非技術背景的人員透過拖放介面開發 AI 應用，Low Code 結合視覺化工具與少量程式碼，適合需要客製化的場景。這塊的考點是理解這兩種模式各自適合什麼情境，以及它們在推動企業 AI 應用普及上的角色。
生成式 AI 工具的應用與推理機制——包括生成式 AI 在不同產業的應用場景（醫療、金融、製造、教育），以及工具的推理機制，例如溫度參數（控制輸出的隨機性）、採樣機制這類影響輸出品質的設定。
導入評估與規劃——這塊是科目二的核心，也是「規劃師」這個職能最直接對應的能力：
- 導入評估：根據明確的經營目標，評估企業現有的資料品質、技術人才、硬體架構是否足以支撐 AI 導入。
- 導入規劃：從試點驗證（POC）到全面推廣的階段性策略，以及 ROI（投資回報率）的計算邏輯。
風險管理——評估並應對生成式 AI 帶來的資料隱私與安全、倫理偏見、法律合規這三類風險。這塊跟科目一的 AI 治理概念是連動的，在中級考綱裡還會繼續深化。
自己整理下來的備考觀察
一、兩個科目的難度不對等。從五次考試的數據來看，科目一的及格率明顯低於科目二。原因是科目一考的傳統 AI 基礎理論（機器學習、模型評估、資料前處理）對非本科背景的人比較陌生，靠日常使用 AI 工具累積不出來。備考重心要放在科目一。
二、科目二考的生成式 AI 應用，很多人日常就有接觸，直覺判斷的準確度比科目一高。但近幾次考試科目二的難度有拉高的趨勢，不能輕忽。
三、兩個科目的概念是相互貫穿的。科目一的資料處理知識是科目二導入評估的基礎，科目一的 AI 治理概念延伸到科目二的風險管理。讀的時候把這條線索保持在腦袋裡，不要把兩科當成獨立的東西背。
這篇是整個備考筆記系列的骨架圖。後面的每一篇都對應到這個架構的某個位置。
