台海兩岸影視文創交流協會
恭喜! 左永安顧問
通過 ICAP 職能導向課程
課程名稱：生成式AI行銷素材實 務班
30小時認證
訓練期間：民國114年05月05日起 至114年05月16日
T1.1 選擇AI工具
T2.1 遵守AI使用規範
T3.1 應用AI創造行銷素材
作詞：Angela Aki 作曲：植松伸夫
人工智慧基礎概論
平均差（Mean Deviation）：
是 所有 觀察值 與 平 均數 之間
絕 對 差 值 的 平 均，其數 值 越大，
表示 資料的 分散程度 越高。
抽樣變異（Sampling Variation）
在進行 統計分析 時，從 母體中 抽取樣本
所 計算出的 統計量（如 樣本平均數、樣本標準差 ），
往 往 因 樣本的 隨機性 而與 對應的 母體參數 有所差異。
這種 因 抽樣 而產生 的 統計量變動 現象，稱
為抽樣變異（Sampling Variation）。
統計推論：
根據 樣本資料，判斷 是否 接受 或 拒 絕 統計假設 的過程。
開源地端模型 與 智慧製造
開源地端模型 透過在 本地端部署具有
1.可自訂性
2.低延遲
3.高安全性
的AI 演算法，
能夠實現智慧製造中的
1.即時品質 監控
2.預測性 維護
3.生產流程 優化
開源地端模型指的是
那些 公開
1.釋出其源代碼、
2.模型架構 與
3.部分或全部權 重，並且
4.能夠在本地硬體(例如個人電腦或內部伺服器)上
部署 與 運行的 語言模型。
•此類模型允許使用者在無需依賴雲端服務的情況下，
自行管理 與 調整模 型，從而更好地保護
資料隱私 並 滿足個別化需求。
主要特性與優勢–
靈活度高：使用者可按需求 查閱、修改與優化 模型。
隱私保護：資料在本地運算，降低 外洩風險。
即時響應：減少 網路 傳輸延遲，提高 系統 反應速度。
常見的開源地端模型–
GPT-2：
由 OpenAI發布，擁有多個不 同參數規模的版本，
其中較小版本對硬 體資源要求較低。
LLaMA：
Meta發布的系列模型，雖然 使用上可能需遵循特定限制
( LLaMA 的 原始權重僅對符合條件的 學術研究者 及 機構 開放)，
但也被廣泛 應用於 本地化 研究與實驗–
T5 系列：
由 Google 提出，該模型基 於「文本轉文本」架構，可根據任務需 求進行微調。
針對資源有限的情況，可 選擇 T5-Small 或 T5-Base 版本。
數位孿生技術 與 虛擬優化
虛實 融合模擬– 數位孿生
是指在 虛擬環境中建立
1.產品、
2.生產線或
3.整座工廠
的 精確 數位 模型，並以 實際資料 加以驅動。
未來更多製造商 將運用 數位孿生 來 優化生產。
透過在虛擬工廠中模擬 各種 生產 參數變化，AI可以預測 不同設定對
產出、品質的影響，協助 找出 最佳方案。
產品 研發 與 產線 導入–數位孿生
除 優化現有流程，對 新產品導入 也 極為有利。
研發團隊 可先 行建立 產品的 數位孿生，
在虛擬環境中 模擬 製造與組裝過程，預估 良 率 和 周期。
若結果不理想，可在虛擬模型中 反覆修改 設計 和 製程，
直到達標 再轉 到 實體試產，大幅縮短 研發週期。
4 大機器學習模型
機器學習演算法大致上也可分為 4 種類別，
分別是：
1.監督式學習、
2.非監督式學習、
3.半監督式學習、
4.強化式學習。
【監督式學習】
定義： 學習模型 使用 有標籤 的 訓練數據，其中每個輸入樣本
都有 相應的 目標輸出。
特色： 模型 根據已知 的 輸 入 和 輸 出 示例進行訓練，
以預測 未知數據 的 輸出。
監督式學習 適用於 分類 和 回歸 等任務。
監督式學習的優點是 學習效果 通常 比較好，因為
模型有明確的目標值可以參考。
但是，監督式學習 也需要大量的 標註資料，這可能會比較 耗 時 和 昂貴。
【非監督式學習】
定義： 學習模型 使用 無標籤的 訓練數據，沒有預先定義 的 目標輸出。
特色： 模型探索數據的內在結構，通常用於集群分析、降維和異常檢測等任務。
非監督式學習 不需要 預先標記 的 輸出。
非監督式學習 的優點 是不需要 標註資料，因此可以節省人力和時間。
但是，非監督式學習的 學習效果 通常不如 監督式學習，因為模型沒有
明確的目標值可以參考。
【半監督式學習】
定義： 結合 監督 和 非監督式 學習的元素，模型使用
既有標籤 的數據 和 沒有標籤 的 數據 進行訓練。
特色： 這種方法 利用 未標記數據 來 增強 模型的性能，尤其在標記數據有限
的情況下。半監督式學習 可以提高 模型的 泛化能力，
通常比 監督式學習 或 非監督式學習 的 學習效果更好。
【強化式學習】
定義： 學習模型 透過 與環境的 交互學習，從而 最大化某種累積 的回報，
是一種 基於 獎勵 和 懲罰 來學習的 機器學習方法。
在強化式學習中，機器學習模型 透過不斷 嘗試 和探索，
來 找到 能夠 獲得最大獎勵 的 行為。
特色： 模型透過 在環境中執行動作 來學習，並根據 反饋 調整其策略。
強化式學習 常用於處理 需要做出 一系列決策 的 問題，
如遊戲、機器人控制 等。
但是，強化式學習的 學習過程 通常 比較緩慢，
需要 大量的 試驗 和 錯誤。
VUCA和BANI
VUCA時代來臨!
能脫穎而出的領導人,都懂得這個 快速變遷管理能力:VUCA是
1.V volatility(易變性)、
2.U uncertainty(不確定性)、
3.C complexity(複雜性)、
4.A ambiguity(模糊性)的縮寫 ・
BANI
學者 Jamais Cascio 了提出BANI的概念作為這個時代 標籤,
適用於企業界,也適用於國家、非營利組織及 個人等。
BANI分別代表4個字的開開頭
1.B(Brittle)代 表脆弱易碎、
2.A(Anxious)代表焦慮、
3.N(Non-Linear )代表非線性、
4.I(Incomprehensible)代表無法理解。
充分表現 這個時 代 的 荊棘處處, 難以自處。
AI 應用規劃師職能基準
主要職責
T1 評估與 分析 AI 技 術
工作任務
T1.3 評估 應用或發 展效益
工作產出
O1.3.1 導 入 評估分 析報告 或 資料表
O1.3.2 風險 評估 報 告 或 文件
行為指標
P1.3.1根據 目標 與 需求，運用各類分析 方法
（如 SWOT、五力分析、資 料統計分析 等） ，
進行AI技術
1.應用或發展之優勢、
2.劣勢與限 制、
3.商業效益及
4.識別風險等評 估，
並 向經營管理者 說明分析結 果，從而 選擇適合 的應用或發展 項目範疇。
P1.3.2 針對已選擇之AI技術、工具或解 決方案 進行 施測，評估其應用效 果
並 適時調整 AI技術發展方 案，以 提升 技術 的 可行性 與 執行 效益。
職能 級別
5級
職能內涵 （K=knowledge 知識）
K03 市場研究與分析方法
K04 資料庫原理
K05 機器學習概論
K06 商業智慧概論
K09 人工智慧概論（含鑑別式與生成 式AI）
K10 AI治理概念（含倫理、偏見防範 等）
K11 資料處理與分析概念
K12 風險管理概念（含AI技術、模型 偏見、法律合規等）
K13 資訊安全概念
職能內涵 （S=skills 技能）
S03 技術評估與分析能力
S05 問題解決能力
S08 資料整合與分析能力
S09 資料視覺化能力
S10 AI技術/工具應用能力
S11 實驗設計與分析能力
