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。

 

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。

 

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    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   

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

 

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:

 

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    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:

 

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。 


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

 

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

 

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)–

 

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)– 

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