台北愛情學院 101戀愛公寓

2025年8月7日星期四

2025 08 08 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師生成式 AI 的實現方式多種多樣生成對抗網路(GAN):Transformer架構: 是一種以自注意力機制為核心的神經網路模型，主要應用於自然語言處理(NLP)等領域。

生成式 AI 的實現方式多種多樣

生成式 AI的實現方式多種多樣，包括

不同的 模型架構 與 演算法:

生成對抗網路(GAN):

由一個 生成器 和一個 鑑別器 組成，

透過 競賽方式 讓 生成器產生越來越逼真的資料，

多用於圖像等內容的生成。

Transformer架構:

是一種以 自注意力機制 為核心的 神經網路模型，

主要應用於自然語言處理(NLP)等領域。

它的 關鍵創新 在於不使用傳統的

循環神經網路 (RNN:一個字一個字慢慢看)，

而是透過 同時關注 序列中所有元素之間的關係來捕捉資訊。

目前文字領域中 最主流 的是 以Transformer為基礎 的

大型語言模型(LLM) ，如 GPT-4，

能夠擅長理解 上下文並生成長篇連貫的文本。

2025 08 07 左永安顧問企業導入AI五大步驟– 1.需求定義– 2.現狀評估與資料準備– 3.組建團隊與治理架構– 4.模型選型與開發– 5.試點測試與優化

企業導入AI五大步驟–

1.需求定義–

從了解自己的商業模式與痛點開始:

具體的目標客群是誰?–

差異化的服務/產品為何?–

關鍵的活動與資源為何?

2.現狀評估與資料準備–

3.組建團隊與治理架構–

a.在組建團隊與治理架構時，企業應成立跨部門AI專責小組，

包括 業務分析師、工程師、資料科學家及IT 人員，

以確保 技術與業務需求能夠緊密協同。

b.同時需制定AI相關規範與倫理準則，

涵蓋資訊安全、隱私保護及模型 可解釋性，

以強化 風險控管與問責 機制。

4.模型選型與開發–

5.試點 測試與優化

2025年8月4日星期一

2025 08 04 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師模型訓練是機器學習過程的核心階段，其目標是透過學習輸入特徵與輸出結果之間的映射關係，找出最優的模型參數。模型訓練通常涉及 1.損失函數的設置、 a. 均方誤差（Mean Squared Error, MSE）： b. 交叉熵損失（Cross-Entropy Loss）： 2.優化演算法的選擇以及 3.避免過擬合的策略。1. 損失函數2. 優化演算法 a. 批次梯度下降（Batch Gradient Descent, BGD）：b. 隨機梯度下降（Stochastic Gradient Descent, SGD）： c. Adam（Adaptive Moment Estimation）演算法：3.. 過擬合的防範  Regularization： Early Stopping： Data Augmentation：

模型訓練

模型訓練 是機器學習過程的核心階段，其目標是透過學習

輸入特徵與輸出結果之間的映射關係，找出最優的模型參數。

模型訓練 通常涉及

1.損失函數的設置、

2.優化演算法的選擇以及

3.避免過擬合的策略。

1.. 損失函數

損失函數（Loss Function）是一種用來衡量模型預測值與實際目標

之間差異的函數。

透過損失函數的計算，模型可以得知 自身的損失（Loss，代表不準確度），

損失值越高，表示模型預測結果與實際值的誤差越大，反之則表示模型越準確。

因此，損失函數可以視為評估模型好壞的指標。

在模型訓練過程中，系統會不斷計算損失，並

透過 優化器（Optimizer）

a. 均方誤差（Mean Squared Error, MSE）：

用於迴歸任務，計算預測值與真實值之間平方誤差的平均值。

b. 交叉熵損失（Cross-Entropy Loss）：

用於分類任務，衡量預測概率分佈與真實分佈之間的差異。

2. 優化演算法

模型的訓練過程透過 優化演算法 調整參數，以最小化 損失函數的值。

最常見的優化演算法是梯度下降法及其變種：

使用 梯度下降（Gradient Descent）

等方法來最小化損失，藉此降低模型的誤差，以達到最佳化的目的。

常見的損失函數包括：

a. 批次梯度下降（Batch Gradient Descent, BGD）：

基於整個 數據集 計算損失函數的梯度並更新參數。

b. 隨機梯度下降（Stochastic Gradient Descent, SGD）：

每次迭代僅使用一個樣本來更新參數，速度較快但收斂不穩定。

c. Adam（Adaptive Moment Estimation）演算法：

結合了動量法和 RMSProp，能夠自適應學習率，是目前最廣泛使用的

優化方法之一。

3.. 過擬合的防範

過擬合是模型在訓練數據上表現優異，但在測試數據上表現不佳的現象。

為了避免過擬合，通常採用以下策略：

 Regularization：

在損失函數中添加懲罰項，如L1和 L2正則化。

 Early Stopping：

當模型在驗證集上的表現開始下降時，停止訓練。

 Data Augmentation：

透過隨機旋轉、翻轉等方式擴展訓練數據集，提升模型的泛化能力。

2025年7月31日星期四

2025 07 31 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長金融業運用人工智慧(AI)指引一、人工智慧(AI)相關定義 (一) AI 系統定義： (二)生成式 AI 定義：二、AI系統生命週期主要包括以下4個階段：(一) 系統規劃及設計： (二) 資料蒐集及輸入：(三)模型建立及驗證： (四)系統佈署及監控：

金融業運用人工智慧(AI)指引

一、人工智慧(AI)相關定義

(一) AI 系統定義：

係指透過大量 資料學習，利用機器學習或相關建立模型之演算法，進行

1.感知、

2.預測、

3.決策、

4.規劃、

5.推理、

6.溝通

等模仿人類 學習、思考 及反應 模式之系統。

(二)生成式 AI 定義：

係指可以生成模擬人類智慧創造之內容的相關 AI 系統，其內容形式

包括但不限於

1.文章、

2.圖像、

3.音訊、

4.影片及

5.程式碼等。

二、AI系統生命週期

AI 系統的 生命週期 主要包括以下4個階段：

(一) 系統規劃及設計：

設定明確的系統目標及需求。

(二) 資料蒐集及輸入：

資料蒐集、處理並輸入資料庫之階段。

(三)模型建立及驗證：

選擇與建立模型演算法及訓練模型，並對模型 進行驗證

以確保模型 效能、安全性 與 機密性。

(四)系統佈署及監控：

將系統應用於實際環境中，且 關注模型 是否已完備，並 持續監控

以確認系統所帶來之潛在影響。

金融機構運用AI系統，可能為自行研發3並使用，因此包含上述4階段。

金融機構亦可能委託第三方業者研發或購入AI系統後，再佈署該系統並監控，

因此金融機構不盡然均會經歷上開4階段。

金融機構運用AI系統時宜辨識4個階段中可自行監控風險之程度，並得對自身

較無控制權的部分或事項，透過契約或其他方式與合作廠商

明訂風險監控責任之分工。

為簡化文字，本指引以

「導入(introduce)」AI，表示前述(一)、(二)及(三) 3階段，

以

「使用(use)」AI 表達第(四)階段。

至本指引之「運用(apply)」AI則係 整體性概念，包含上述4階段。

2025年7月28日星期一

2025 07 28 左永安顧問/講師/委員/ TTQS 人才發展品質管理系統 Talent Quality-management System 三類專業人員左永安顧問/講師您好：感謝您參加 114年TTQS三類專業人員回流訓練課程。課程名稱：組織分析與發展講師：**** 日期：114年07月29日（星期二）時間：09:30～16:30（報到時間：09:20～09:30）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

三類專業人員左永安顧問/講師您好：

感謝您參加 114年TTQS三類專業人員回流訓練課程。

課程名稱：組織分析與發展

講師：****

日期：114年07月29日（星期二）

時間：09:30～16:30（報到時間：09:20～09:30）

2025年7月27日星期日

2025 07 27 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長機器學習演算法大致上也可分為 4 種類別，分別是：監督式學習、非監督式學習、半監督式學習、強化式學習 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

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。

2025年7月24日星期四

2025 07 24 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師鑑別式 AI：定義與運作原理鑑別式AI發展歷程久遠，擁有眾多成熟的機器學習演算法與技術，包括: 決策樹 (Decision Tree)– 隨機森林 (RandomForest)–類神經網路 (Artificial neural network)–

鑑別式AI

旨在區分不同類別或預測輸出標籤(label)。

模型透過大量已標註資料學習輸入與目標之間的對應關係，

以在給定新輸入 X時預測其標籤。

• 訓練時以 (X, Y) 標註資料為基礎，優化出可將不同類別資料分隔的決策函數。

• 例如分類器以虛線為決策邊界，將藍色和綠色兩群資料點正確區隔開來。

• 鑑別式模型需仰賴充足且高品質標註資料進行監督式學習，

以獲得良好分類性能。

• 在製造業中，鑑別式 AI 常用於: 瑕疵檢測、產品分類等，

需要即時判定「是/否」、「屬於哪一類別」的場景。

鑑別式AI發展歷程久遠，擁有眾多成熟的 機器學習 演算法與技術，包括:

決策樹 (Decision Tree)–

利用樹狀結構根據 特徵閾值 進行資料劃分，生成易解釋的規則，

並運用規則進行分類。

隨機森林 (RandomForest)–

隨機森林則是由多棵決策樹組成的集成學習模型(Ensemble Learning Model)，

結果由多數決或平均決定。提升 分類準確率 並 降低過度配適 風險

類神經網路 (Artificial neural network)–

多層神經網路 可學習複雜的非線性關係，用於各類預測與分類任務。

– 其中，

卷積神經網路 (CNN) 在影像識別中表現突出，

適用於產品瑕疵檢測、人臉識別等

訂閱：文章 (Atom)

2025年8月7日 星期四

2025年8月4日 星期一

2025年7月31日 星期四

2025年7月28日 星期一

2025年7月27日 星期日

2025年7月24日 星期四