期待透過預備 iPAS AI 應用規劃師 (中級) 考試，加強自己的 AI 知識。
L21101｜自然語言處理技術與應用
探討自然語言處理（NLP）的核心技術，解析 AI 如何理解人類語言的細微差別。
- 動態向量： 看看 BERT 模型如何透過上下文，精準分辨「冷笑話」與「冷天氣」中字義的轉變。
- 注意力機制 (Attention Mechanism)： 就像讀書畫重點，有效解決 AI 在閱讀長篇文章時，容易忘記句首內容的痛點。
- RAG 架構： 運用「開書考試」的邏輯，引入外部知識庫，解決 AI 容易亂編故事的「幻覺（Hallucination）」問題。
📺 收聽傳送門： 待更新
L21102｜電腦視覺技術與應用
電腦視覺是如何運作的？拆解卷積神經網路（CNN）的運作邏輯與實際應用。
- CNN 三步驟：
- 卷積 (Convolution)： 擷取圖像特徵。
- 池化 (Pooling)： 縮減數據維度並保留核心資訊。
- 全連接 (Fully Connected)： 進行最終的分類與判斷。
- 任務選型：
- 分類 (Classification)： 辨認物體名稱。
- 偵測 (Detection)： 在畫面中標示框框。
- 分割 (Segmentation)： 精確量測並標註物件面積。
- ResNet 魔法： 靠著「跳躍連接（Skip Connection）」技術，成功解決深層模型難以訓練、學不動的開發難題。
📺 收聽傳送門： 待更新
L21103｜生成式 AI 技術與應用
理解生成式 AI 的核心模型與幻覺問題，掌握實務應用關鍵。（2026/04/24 新增）
- 生成模型：
- GAN：對抗學習 → 圖像清晰、不穩定
- VAE：壓縮還原 → 穩定、較模糊
- Diffusion：加噪去噪 → 品質高、成本高
- Transformer（LLM 核心）：
- Self-Attention：理解上下文關係
- 解決長文本記憶問題
- 幻覺對策：
- RAG：查資料再回答（最準）
- LoRA：低成本微調模型
- 評估指標：
- BLEU / ROUGE：文本品質
- FID：影像真實度（越低越好）
📺 收聽傳送門： 待更新
L21104｜多模態 AI 技術與應用
理解 AI 如何整合文字、影像、聲音，完成跨模態判斷。（2026/04/24 新增）
- 多模態（Multimodal）：
- 不同資料形式：文字 / 影像 / 聲音
- 核心：轉換到同一個「共同空間」
- 核心技術：
- CLIP：文字 × 影像配對
- 對比學習：正確更近、錯誤更遠
- 融合方式（Fusion）：
- 早融合：先整合 → 細節多、成本高
- 晚融合：後整合 → 彈性高、常用
- 模型類型：VLM（視覺語言模型）
- 可同時看圖＋理解文字
- 關鍵挑戰：對齊（Alignment）
📺 收聽傳送門： 待更新
L21201｜AI 導入評估
評估 AI 專案是否「值得做」，確保能帶來實際商業價值。（2026/04/24 新增）
- 問題先行： 不是所有問題都需要 AI（先定義痛點）
- 資料為本： 資料量、品質、合法性決定成敗（GIGO）
- ROI 驗證： 用 KPI + Baseline 證明是否值得投資
📺 收聽傳送門： 待更新
L21202｜AI 導入規劃
規劃 AI 專案如何「真正落地」，避免資源浪費與專案失敗。（2026/04/25 新增）
- 人力與資源：
- 專案負責人 (PM)／資料工程師／模型開發者／系統架構師
- 同步評估：地端 vs 雲端
- 專案管理：
- 工作分解結構 (WBS)：拆細工作
- 甘特圖 (Gantt Chart)：控時程
- 敏捷開發 (Agile/Scrum)：短週期迭代（Sprint）
- 導入策略：
- 現成方案／內部開發／委外
- 先做 POC（小規模驗證） 再擴大
📺 收聽傳送門： 待更新
※ 文稿由 AI 產製 / 主持人 cici
