企業競爭力
是指 企業 在市場競爭中，通過 培育 和 整合 自身資源 與 能力，
為顧客 創造價值，並 實現 企業 自身價值 的 綜合性能力，
其 層面涵蓋
1. 產品
2. 制度
3. 核心文化
要提升 競爭力，企業可從
1. 產品差異化
2. 成本控制
3. 創新能力
4. 人才培養
5. 品牌建設
等面向著手，
企業競爭力的定義
企業競爭力 是指
一個 企業 在市場條件下，能夠 比競爭對手
更有效地 提供 產品 或 服務 ，
從而 獲得利潤 和 自身發展 的 綜合能力。
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
標章編碼：KMCT0046-25
三類專業人員 您好：
感謝您參加 114年TTQS三類專業人員回流訓練課程
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。
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。
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
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。
