2025 09 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) L111 人工智慧概念 RAG (Retrieval-Augmented Generation) 是一種自然語言處理模型， 它結合了檢索（retrieval）和生成（generation）的技術。

 

2025 09 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) L111 人工智慧概念 RAG (Retrieval-Augmented Generation) 是一種自然語言處理模型， 它結合了檢索（retrieval）和生成（generation）的技術。

 

2025 09 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) L111 人工智慧概念 RAG (Retrieval-Augmented Generation) 是一種自然語言處理模型， 它結合了檢索（retrieval）和生成（generation）的技術。

 

RAG 的原理與進行方式是什麼？可以解決什麼困難？

RAG (Retrieval-Augmented Generation) 的基本結構

包括一個生成器（generator）和一個檢索器（retriever）。

生成器   負責生成文本，而

檢索器   則用來   檢索與生成   相關  的  外部知識。

檢索（Retrieval）： 

在這一階段，RAG 模型使用檢索模型，

通常是一個   檢索式記憶體網絡（Retriever），

從龐大的資料庫  中   檢索相關訊息。

這個模組  能夠根據  輸入的  提示 或  查詢，

從  文本資料庫   中找到    相關的資訊片段。

檢索模組的目標是

確保   提取的資訊  與  輸入文本    有高度的 相關性 和 完整性。

生成（Generation）： 

獲取到  的  檢索資訊  接著被傳遞到生成模組中，

通常是一個語言生成模型（如 GPT，BERT 等）。

生成模組    利用這些檢索到的資訊，

以  更有   邏輯 和 意義  的方式    生成  回答、文章或其他形式的內容。

這讓模型能夠  更好地理解   檢索到的   上下文資訊  並生成  更精確的回應。

整合和調整（Integration and Adjustment）： 

檢索到的  資訊片段  會與   生成模型中的內部資訊   相互結合，

以產生  最終的輸出。

這個過程可能包括   整合檢索到的訊息 以及  根據 生成模型的內部機制   進行調整，

以  確保  生成的內容   具有   合適的邏輯  和  完整性。

2025 09 19 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 PLAN 計畫階段 訓練規劃與組織營運發展目標之關聯性及訓練體系之實踐能力。 指標1:組織願景/使命/策略的揭露與目標及求的訂定(滿分5分) 列舉適當佐證資料項目 1.組織願景、使命、策略之揭露。 2.展現組織策略及未來發展方向 3.展現組織年度工作計畫及相關行動方案。 4.展現組織年度訓練發展方向。 指標意涵說明 藉由揭露組織短、中長期的發展方向與目標,訂定組織未來 營運策略與各項年度計畫或行動方案。 並連結年度訓練發展方向。 常見參考佐證資料(並註明資料之位置頁碼) 1.組織發展策略或策略地圖說明及揭露· 2.組織的願景與核心發展使命的說明及揭露。 3.組織年度的事業行動計畫發展涵蓋人力資源的發展 與訓練規劃內容、主題或方向的佐證。 4.其他有關組織願景/使命/策略揭露及目標與需求訂 定的相關佐證資料。。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 

2025 09 19 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 PLAN 計畫階段 訓練規劃與組織營運發展目標之關聯性及訓練體系之實踐能力。 指標1:組織願景/使命/策略的揭露與目標及求的訂定(滿分5分) 列舉適當佐證資料項目 1.組織願景、使命、策略之揭露。 2.展現組織策略及未來發展方向 3.展現組織年度工作計畫及相關行動方案。 4.展現組織年度訓練發展方向。 指標意涵說明 藉由揭露組織短、中長期的發展方向與目標,訂定組織未來 營運策略與各項年度計畫或行動方案。 並連結年度訓練發展方向。 常見參考佐證資料(並註明資料之位置頁碼) 1.組織發展策略或策略地圖說明及揭露· 2.組織的願景與核心發展使命的說明及揭露。 3.組織年度的事業行動計畫發展涵蓋人力資源的發展 與訓練規劃內容、主題或方向的佐證。 4.其他有關組織願景/使命/策略揭露及目標與需求訂 定的相關佐證資料。。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 PLAN 計畫階段

 訓練規劃  與  組織營運發展目標   之  關聯性 及

 訓練體系   之  實踐能力。 

指標1:組織願景/使命/策略的揭露與目標及求的訂定(滿分5分) 

列舉適當佐證資料項目 

1.組織   願景、使命、策略 之 揭露。 

2.展現   組織    策略 及  未來發展方向 

3.展現   組織   年度 工作計畫  及  相關行動方案。 

4.展現   組織   年度 訓練發展方向。   

指標意涵說明 

藉由揭露組織   短、中 、 長期的發展方向   與 目標,

訂定    組織   未來 營運策略

與  各項   年度計畫   或  行動方案, 並  連結  年度訓練發展方向。  

常見參考佐證資料(並註明資料之位置頁碼) 

1.組織發展         策略  或  策略地圖              說明及揭露· 

2.組織的            願景 與 核心發展使命   的  說明及揭露。 

3.組織年度 的  事業行動計畫發展   涵蓋  人力資源的發展   與

   訓練規劃內容、主題或方向   的  佐證。 

4.其他有關   組織願景/使命/策略揭露 及  目標與需求訂定的  相關佐證資料

2025 09 16 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 機器學習（Machine Learning, ML）深度學習（Deep Learning, DL） 世界共經歷了三次人工智慧浪潮。 三波人工智慧浪潮，分別有哪些發展？ 第一波人工智慧浪潮（1950到1960年）： 符號邏輯，告訴電腦「人的思考邏輯」； 人類無法釐清自己的思考過程，最終失敗。 第二波人工智慧浪潮（1980到1990年）： 專家系統，告訴電腦「人的所有知識」； 人類無法解答所有問題、寫成規則，最終失敗。 第三波人工智慧浪潮（2010年至今）： 機器學習，告訴電腦「人看見的事物」；正在發展中。

 

2025 09 16 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 機器學習（Machine Learning, ML）深度學習（Deep Learning, DL） 世界共經歷了三次人工智慧浪潮。 三波人工智慧浪潮，分別有哪些發展？ 第一波人工智慧浪潮（1950到1960年）： 符號邏輯，告訴電腦「人的思考邏輯」； 人類無法釐清自己的思考過程，最終失敗。 第二波人工智慧浪潮（1980到1990年）： 專家系統，告訴電腦「人的所有知識」； 人類無法解答所有問題、寫成規則，最終失敗。 第三波人工智慧浪潮（2010年至今）： 機器學習，告訴電腦「人看見的事物」；正在發展中。

 

人工智慧AI的技術起源與發展？

1956年，美國電腦科學家麥卡錫（John  McCarthy）首次使用新詞彙「人工智慧」，

並舉辦了第一次人工智慧研討會「達特茅斯會議」（The Dartmouth Workshop）——

以此為起點，人工智慧的各支研究陸續萌芽，

科學家  前後踏入  機器學習、深度學習、資料科學  等學問研究。

目前，世界共經歷了三次人工智慧浪潮。

三波人工智慧浪潮，分別有哪些發展？

第一波人工智慧浪潮（1950到1960年）：

符號邏輯，告訴電腦「人的思考邏輯」；

人類無法釐清自己的思考過程，最終失敗。

第二波人工智慧浪潮（1980到1990年）：

專家系統，告訴電腦「人的所有知識」；

人類無法解答所有問題、寫成規則，最終失敗。

第三波人工智慧浪潮（2010年至今）：

機器學習，告訴電腦「人看見的事物」；正在發展中。

歷經兩次挫敗，在第三波人工智慧浪潮中，科學家發展出「機器學習」方法，

終於讓AI科技有了突破。

後來，人類又從機器學習的經驗中，找出「深度學習」技術，

讓第三波AI浪潮開始大進展。

在第三波AI浪潮中，專家發現，

圖形處理器（Graphics Processing Unit, GPU）

比過去的中央處理器（Central Processing Unit, CPU）

更適合執行深度學習，因此紛紛轉移目光。

同時，GPU大廠Nvidia更成為深度學習的強力助攻，

藉著提升硬體設備、發揮強大的運算能力，

幫助AI深度學習能量大爆發。

機器學習和深度學習比較，有何差異？

機器學習（Machine Learning, ML）：

由人工或機器從大量數據、經驗中，自行辨識出規則，

最終做出  預測 及 決策。

深度學習（Deep Learning, DL）：

機器學習的一種，以  多層次的  巨大神經網路  搭配  更進步的

訓練技術、計算能力，學習更複雜的大數據，

例如辨識圖像、語音。

專家系統（Expert System）

使用某個領域的知識庫，來模擬該領域專家做決策的系統，由兩個子系統構成。

   知識庫（Knowledge base）：

      某個領域的專門知識（事實）

   推理引擎（Inference engine）：

      規則式（Rule-Based）推理 ，使用 if-then 規則 ，

     如果知識庫的某個事實成立則從已知事實去詢問相關的新事實是否成立

MYCIN

早期知名的專家系統。1974年由史丹佛大學開發，用來識別血液中的細菌，並推薦抗生素。MYCIN 使用簡單的推理引擎和約 600 個規則的知識庫。如同醫生問診一樣，詢問一連串有關病症的問題，最後給出可能性最高的診斷結果。診斷結果約有 65% 準確率，儘管比專門醫師的 80% 低，但比一些非專門的診所醫生的判斷還高。

在 MYCIN 的前幾年就有世界第一個專家系統 Dendral 誕生。

1965～1968年同樣由史丹佛大學開發，是用來判斷物質其分子結構的專家系統。

專家系統獲得知識的困難處

   知識可以分成兩種：

   顯性知識（Explicit knowledge）

      通過語言記在文件或書籍，影像的聲音等可傳達知識給他人，

      例如百科全書或教科書等。「台北在台灣」就是一個顯性知識。

   隱性知識（Tacit knowledge）

      專家的經驗，思考，技術，直覺等，較難靠外在媒介傳達給他人共享知識。

      像是騎腳踏車，游泳等，或是傳統的學徒制，

     都不是透過語言   而是    透過  觀察  和  模仿  來學習。

隱性知識目前大多是透過訪談（Interview）來轉換成顯性知識。

2025 09 14 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) 資料收集、清理、分析 和 呈現 是 人工智慧（AI） 基礎中 資料處理 的 核心流程。。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 

2025 09 14 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) 資料收集、清理、分析 和 呈現 是 人工智慧（AI） 基礎中 資料處理 的 核心流程。。TTQS 人才發展品質管理系統 Talent Quality-management System 若想要追求金牌 國立臺灣大學 臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理 專案管理 品牌管理 策略管理 關鍵就業力 共通核心職能 師資 左記歐洲商行 安永經營管理顧問

 資料收集、清理、分析 和 呈現

  是   人工智慧（AI）   基礎中   資料處理   的

  核心流程。

1.資料收集

    是 AI資料處理  的  起點，涉及從各種來源

      1.數據庫

       2.API        （如從社交媒體獲取數據）

      3.網頁爬取（如使用Selenium工具）

      4.感測器   調查問卷或感測器數據收集（如IoT設備）

              獲取相關信息。

      5.  數據品質：

           確保數據代表性和無偏見非常重要，因為這直接影響AI模型的性能。

          例如:一家電信公司可能收集客戶使用模式數據來預測流失風險。

      6. 倫理考量： 

         遵守隱私法規（如GDPR）和道德指南，特別是在處理個人數據時。

         確保數據準確、完整且無偏見，例如避免僅收集某特定群體的數據。

  2.資料清理 

       資料清理（或預處理）是 準  備 數 據  以供  分析的過程，包括

        1.處理缺失值

        2.移除異常值

        3.標準化數據

        常見方法   包括用

        4.平均值填補缺失數據   或

        5.使用IQR方法檢測異常值

          這一步驟對AI至關重要，因為數據品質決定模型表現。

        常見技術：

       6.處理缺失數據： 

           使用  平均值、中位數填補，或   刪除  過多缺失值的記錄；

            先進方法可使用機器學習  預測缺失值。

      7.異常值檢測：

          使用統計方法如z-score（標準化得分）或IQR（四分位距）識別並移除異常值。

      8.標準化與正規化：

        將數值特徵縮放到相似範圍，如

       min-max縮放（0到1）或 標準化（均值0，標準差1）。

      9. 特徵工程： 

       從現有數據  創建   新特徵，或 轉換   數據格式  以提升模型表現，

       例如   將  日期數據     轉為   天數。

3.資料分析

      資料分析 利用  機器學習  和  其他技術  

      從清理後  的數據中  提取洞見。

         1. 監督學習（如分類、回歸）用於預測  

           監督學習： 基於標籤數據訓練模型，例如回歸（預測連續值，如房屋價格）

           或分類（預測類別，如客戶是否流失）。

           常見算法包括邏輯回歸、支持向量機（SVM）和神經網路。

         2. 無監督學習（如聚類）用於發現模式

            無監督學習： 在無標籤數據上發現模式，如k-means聚類（分組相似客戶）

            或主成分分析（PCA，降維）。

         3. 選擇合適的算法（如邏輯回歸或神經網路）

            基於    問題類型，訓 練  和   評估模型   以確保準確性。

         4.深度學習： 使用神經網路處理複雜任務，

           如  4.1圖像識別        （卷積神經網路，CNN）或

                 4.2自然語言處理（循環神經網路，RNN）。       

        關鍵活動：

       5.模型選擇： 根據問題類型選擇算法，

                             例如 分類問題用  隨機森林，預測問題用  線性回歸。

      6.模型訓練與驗證： 

                            將數據分為訓練集（70%）、驗證集（20%）和測試集（10%），

                            訓練模型並 使用  驗證集   調整參數。

      7.超參數調優： 

              通過   交叉驗證   優化   模型參數，如  學習率  或  樹的深度，以提升性能。

   4.資料呈現

       資料呈現  將分析結果以清晰方式展示，

       常使用   圖表、儀表板或報告。

       有效呈現   幫助利益相關者理解洞見

       例如: 1. 用  混淆矩陣                    展示   分類模型  性能，或

                 2. 用   特徵  重要性  圖 表  顯示   影響因素

      呈現方法：

      1.視覺化： 

        使用圖表如柱狀圖、折線圖、熱圖或散點圖，展示關鍵發現。

        工具包括Matplotlib、Seaborn或Tableau。

       2.報告： 

          撰寫書面報告，總結   主要結果和建議。

       3.互動工具： 

        使用儀表板（如Power BI）允許用戶動態  探索數據。

     最佳實踐：

           根據觀眾技術水平  調整呈現方式，

           例如   對非技術利益相關者避免使用技術術語。

                      使用清晰語言，強調關鍵洞見及其影響。

                提供視覺輔助，如

         4.混淆矩陣              展示  分類模型性能，或

         5.特徵重要性圖表   顯示   影響因素。

 

2025 09 14 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) TPU / NPU / GPU 神經網路Neural Networ（NN）亦稱為 類神經網路、人工神經網路（Artificial Neural Network, ANN） 在 人工智慧（AI） 和 機器學習 的發展中， 神經網路扮演著 相當關鍵的技術。 神經網路 優點 1.具備自我學習能力 2.靈活處理非線性數據 3.強大穩定性與容錯度 神經網路缺點 1.難以解釋決策過程 2.訓練耗時且計算資源需求高 3.易受 過擬合 影響

 

2025 09 14 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI應用規劃師(初級) 人工智慧基礎概論 (L11) TPU / NPU / GPU 神經網路Neural Networ（NN）亦稱為 類神經網路、人工神經網路（Artificial Neural Network, ANN） 在 人工智慧（AI） 和 機器學習 的發展中， 神經網路扮演著 相當關鍵的技術。 神經網路 優點 1.具備自我學習能力 2.靈活處理非線性數據 3.強大穩定性與容錯度 神經網路缺點 1.難以解釋決策過程 2.訓練耗時且計算資源需求高 3.易受 過擬合 影響

 神經網路Neural Networ（NN）

在 人工智慧（AI）  和  機器學習  的發展中，

神經網路扮演著    相當關鍵的技術。

神經網路  模仿人類大腦 的運作方式，透過神經元

彼此之間的  連  接 與 訊  號  傳遞，來處理複雜的資訊。

神經網路是什麼？

神經網路  英文為 Neural Networ（NN），亦稱為

類神經網路

人工神經網路（Artificial Neural Network, ANN）

是 模仿人類神經系統的   一種計算模型，使用類似於「人腦分層結構」中的

互連節點  或  神經元，包含一個輸入層、一個或多個隱藏層  和  一個輸出層。

其目的  就是  透過「神經元」間   的  相互作用，

來   學習、分析  並  預測   各類數據。

神經網路   已經被  廣泛應用 於

         1.影像辨識

       2.語音識別

       3. 自然語言處理（NLP）

神經網路重要性

       神經網路  能夠幫助電腦在 僅需少量 人類介入 的情況下

       進行智能決策，這是因為  神經網路     具備   學習能力，

       能夠   深入理解  並   模擬複雜、非線性的   數據關係，

       幫助企業  解決     許多原本難以處理的問題。

     1.實現自動化作業

              神經網路 能自動處理  許多原本  由人力  完成的任務，像是

                1.1 客戶服務

             1.2 數據分析

             1.3 影像識別

           幫助企業節省  大量   時間和成本。

          2.改善決策流程

            神經網路   幫助管理層   快速掌握重要資訊，讓決策過程

            更精準、更有效率，不再需要花費大量時間和人力去分析數據。

        3.推動創新產品與服務

             神經網路的應用   讓企業  能開發出   許多創新的產品、服務，

            例如能更懂用戶需求的推薦系統，而這些產品通常

            只有在 AI 的支持下才能實現，

            AI 技術幫  助企業   在市場中更具競爭優勢。

神經網路  優缺點

         神經網路  優點

              1.具備自我學習能力

                   神經網路 可以透過大量數據的訓練  進行自我學習和適應。

                  這使其能夠  不斷優化性能，並在處理新情境時  迅速調整。

               2.靈活處理非線性數據

                  神 經網路   在處理    非線性  和高度複雜   的  數據  方面   表現出色，

                  能夠   識別  並  學習   輸入數據 與  輸出結果   之間的隱藏模式。

               3.強大穩定性與容錯度

                 神經網路  具有對於   數據錯誤  或  部分資料遺失  

                 的  高度容錯性，即便部分輸入數據不完整或出現偏差，

                依然能提供合理的結果。

        神經網路缺點

            1.難以解釋決策過程

                      神經網路   的  內部結構  和  運作方式   較為複雜，

                     難以解釋 其決策過程。因此，在需要解釋透明性的情境中，

                     神經網路的應用可能受限。

                 2.訓練耗時且計算資源需求高

                     訓練和運行神經網路需要大量的計算資源，

                     主要是 TPU / NPU / GPU，

                     這對於中小型企業或資源有限的項目可能造成負擔。

                 3.易受 過擬合 影響

                  在訓練過程中，神經網路可能會過於適應訓練數據，

                  導致在新數據上的表現不佳，這被稱為過擬合問題。