這篇整理 iPAS 初級考點——AI 系統的開發流程。自己備考時發現這塊的考題不是考「某個技術叫什麼名字」，而是考「某個環節出了問題，規劃師應該怎麼處理」。把整條流程的邏輯搞清楚，比死背術語有用。
第一階段：技術底層
資料——Garbage In, Garbage Out
資料品質直接決定模型的上限。這個原則在考題裡常以「模型準確率低，規劃師應該先檢查什麼」的方式出現，答案方向通常是回頭看資料品質，不是換更複雜的模型。
兩個關鍵技術：
- ETL（Extract, Transform, Load）——抽取（從來源系統拿資料）、轉換（清洗、格式統一、特徵工程）、載入（放進模型可以讀的地方）。這三個步驟的順序和各自做的事是考點。
- 資料標註（Labeling）——監督式學習的前提，需要人工替資料貼上正確答案標籤。這塊跟前面整理過的「半監督學習」和「主動學習」降低標註成本是連動的。
學習引擎——三種學習方式
監督式（有標籤）、非監督式（無標籤找規律）、強化學習（試錯加獎懲）。這三種的判斷邏輯在前面的演算法整理篇裡有詳細記錄，這裡不重複。
數學基礎——三個對應考點的概念
- 線性代數——矩陣運算是圖像處理的底層，電腦讀圖片讀的是像素矩陣。
- 微積分——梯度下降（Gradient Descent）用微分找誤差最小的方向，讓模型往正確的參數更新。考題方向是理解「梯度下降是在做什麼」，不是算微分。
- 機率統計——貝氏定理處理不確定性，P-value 評估統計顯著性。這塊跟前面整理過的敘述性統計章節是連動的。
第二階段：開發應用
模型選擇——先看任務類型
選模型的邏輯跟選工具一樣，先看任務的性質：
- 預測連續數值（房價、溫度）→ 回歸模型
- 判斷離散類別（垃圾郵件、疾病診斷）→ 分類模型
- 處理圖像識別 → CNN
- 處理文字或時間序列 → RNN 或 Transformer
這個對應關係在前面的演算法整理篇裡有詳細記錄，這裡標記一下跟 L113 的連結。
模型訓練——兩個核心機制
損失函數（Loss Function）——評估模型預測結果跟正確答案的差距，數值越低代表越準。
- 回歸任務常用 MSE（均方誤差）
- 分類任務常用 Cross-Entropy（交叉熵）
考題方向：給定任務類型，問該用哪種損失函數。
優化器（Optimizer）——控制模型如何根據損失函數的結果更新參數。最常考的是 Adam，它結合了動量和自適應學習率，在大多數場景表現穩定。
防止過擬合——兩個常考技術
過擬合是「在訓練資料上學得太好，換到新資料就失準」的問題。兩個常見的對策：
- Dropout——訓練時隨機讓一部分神經元停止運作，迫使模型不能依賴特定神經元，學習更通用的特徵。
- Early Stopping——監控驗證集的表現，當準確率不再提升時提前停止訓練，避免模型繼續死記訓練資料的細節。
第三階段：部署與 MLOps
部署模式的選擇
- 邊緣運算（Edge AI）——把模型壓縮（量化、剪枝），部署在裝置本地。適合需要即時反應、不依賴網路、資料不能傳出去的場景。這塊跟前面整理過的多模態 AI 落地章節連動。
- 雲端運算（Cloud AI）——算力彈性大，適合大型模型（LLM）或資料量龐大的批次運算。缺點是需要網路，有傳輸延遲。
MLOps——模型上線之後的維運
這塊是 L113 考題裡出現頻率很高的部分，三個核心概念：
- CI/CD（持續整合 / 持續部署）——自動化測試和部署流程。新模型在推上線之前，會跑一輪自動化測試，確認不會影響現有系統。這個機制讓模型更新更安全。
- 概念漂移（Concept Drift）——模型上線一段時間後，因為外部環境改變（原料改變、消費者行為轉變、市場規則更新），原本訓練資料的分布跟現實產生落差，導致模型準確率下降個概念是考題的常見情境：「模型上線後一段時間準確率下降，規劃師應該怎麼處理」。
- 自動再訓練（Retraining）——系統偵測到概念漂移後，自動觸發重新訓練流程，用新資料更新模型。讓模型能持續適應環境變化。
自己整理下來的備考方向
一、L113 的整條流程是串聯的——資料品質影響訓練品質，訓練方式影響部署策略，部署之後還要持續監控。考題常用「某個環節出問題，往前追原因」的方式來測，要能沿著這條線找到根源。
二、MLOps 這塊在考題裡出現頻率很高。CI/CD、概念漂移、自動再訓練這三個概念要一起記，因為它們是同一個維運邏輯的三個部分——自動化部署、偵測問題、自動修復。
三、過擬合的對策（Dropout、Early Stopping）要跟前面整理過的交叉驗證一起讀。交叉驗證是「評估有沒有過擬合」，Dropout 和 Early Stopping 是「防止過擬合」，兩者解決的是同一個問題的不同環節。
四、這篇是整個備考筆記系列裡的整合篇，幾乎每一個概念都跟前面某一篇有連動。讀完這篇，再回頭看一遍之前整理的各章節，整體架構感會清楚很多。
