訓練品質管理迴圈
Plan 計畫
關注 訓練規劃 與 企業(訓練機構) 營運發展 目 標 之 關連性 以及
訓練體系 之 操作 能力
Design 設計
著重 訓練方案 之 系統化設計
（含 利益關係人之參與、與 需求之結合度、遴 選 課程標準、採購 標準程序）
Do 執行
強調 訓練執行 之 落 實度 、訓練紀錄 與 管理之系統化 程度
Review 查核
著重 訓練的 定期性 執 行分析、全程監控 與 異常處理
Outcome 成果
著重 訓練成果 評估 之 等級 與 完整性、 及 訓練 之 持續改善
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。
iPAS AI應用規劃師初級能力鑑定-考試樣題
(樣題範例非正式考題，僅供參考使用)
關於AI，下列敘述何者正確？
(A) AI僅能處理結構化數據的分析
(B) AI涵蓋多種專業領域與技術
(C) AI系統只能在學術研究中應用
(D) AI無法應用於金融領域
下列何者最適合訓練電腦下圍棋、自動駕駛等動態重複地互動的問題？
(A) 監督式學習（Supervised Learning）
(B) 非監督式學習（Unsupervised Learning）
(C) 半監督式學習（Semi-supervised Learning）
(D) 強化學習（Reinforcement Learning）
深度學習模型中，下列哪一項通常用來降低 過擬合（Overfitting）問題？
(A) 增加訓練數據量
(B) 增加模型的複雜度
(C) 增加學習率
(D) 增加正則化項
在AI治理中，下列何者是國際合作的重要性？
(A) 統一AI發展標準
(B) 避免AI技術的濫用
(C) 促進AI技術的轉移
(D) 以上皆是
若要設計一個能夠辨識並過濾垃圾郵件的系統，應該選擇下列哪一種
機 器學習演算法以實現最佳效果？
(A) 監督式學習（Supervised Learning）
(B) 非監督式學習（Unsupervised Learning）
(C) 半監督式學習（Semi-supervised Learning）
(D) 強化學習（Reinforcement Learning）
親愛的 左永安老師您好：
檢送114年共通核心職能課程師資回流暨研習會議結果及授課單元聘任函證明
親愛的 左永安 顧問，您好！
非常感謝您對「114年度人才發展品質管理系統」的支持。
迴歸分析中，通常有兩種主要類型的變數：
自變數（Independent Variables）：
自變數 也叫 解釋變數 或 特徵，主要用來 預測 因變數。
在迴歸分析中，我們會收集一些 自變數 的 數據，
例如 房屋的大小、廣告的投放金額 等
因變數（Dependent Variable）：
因變量 也較 響應 變量，是要 預測 或 解釋 的變量。
在迴歸分析中，建立一個模型，用 自變數的值 來預測 因變數的值，
例如 房屋的售價、產品銷售等
迴歸分析 的目標 是找到 自變數 和 因變數 之間的 關係，
並建立一個 適當的 數學模型 來描述 這種 關係。
最簡單的情況 是 一元線性迴歸，
其中只有一個自變數和一個因變數之間的關係
可以用一條直線來表示，更進階的還有 多元線性迴歸 和 非線性迴歸
但我們要如何知道這條線是好是壞呢？
可以用 每個點 與 這條線 的 直線距離，
來衡量 實際值 與 預測 值 的 誤差。誤差越小，模型越準確
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。
決策樹是樹狀演算法的代表，
其延伸還有隨機森林與 GBDT (Gradient Boosted Decision Tree) 演算法。
決策樹的核心概念就是在尋找「重要的屬性」，
怎樣才算是重要的屬性 會 因用途 而 有所不同，
但「重要的屬性」基本上 能「降低 某件事情的不確定性 的 數量」；
在分類問題中，就是希望 分割出來 的 群組內
越純、均一、同質性 越高越好，
而 組間的差異 要大。
決策樹的流程，就是在降低不純度同時理解這批資料。
最常見的分割原則稱為資訊增益 (information gain)，
它是一種以「熵」ㄕㄤ（entropy，雜亂程度）作為純度衡量基礎的方法。
當 某個屬性 對分類越有用，代表我們透過該屬性建立的區隔，
能大幅降低 entropy，使 資訊增益 大幅提升。
舉例來說，若要在一批貓與狗的資料中區分二者，
「毛色」可能無法帶來 最大的資訊增益，而「耳朵形狀」
可能就能大幅降低分類的雜亂程度，大幅提高資訊增益。
因此「耳朵形狀」會是區隔貓狗中很重要的屬性。
樹狀結構 由根部開始 由上而下，由根節點開始、每個節點 都用一個屬性
作檢驗，以分支出 更多的 內部節點 與 終端節點（即葉節點，為預測結果）
構成。
在上述的例子中，「耳朵形狀」作為重要的屬性，更可能被放在上方的節點。
決策樹有幾個特點：
SVM 的概念其實不像它的名字一樣難以理解；
SVM 的目標，是在畫出一條決策分界線 (decision boundary)，
在決策分界線的兩側找與這個邊界最相近的資料點作為 support vector，
希望最靠近邊界的這些 support vector 可以與這條現有最大的距離，
以便區分二類。
另外，SVM 演算法還會使用「核心」 (kernel) 的技巧。
核心 (kernel) 的概念就是，「在較低維度時無法以線性分割的資料，
將他們 轉至更高維度，就是能夠線性分割的」；
想像手機遊戲《水果忍者》，如果那些水果全都放在桌上（二維），
你很難用一條直線將他們區隔開來，但當他們被拋到空中，
你就能在空中（三維）畫出一個切面來分隔這些水果，
而這個切面在三維空間裡屬於線性，但投射回平面，就可能是條曲線。
常見的核心技巧如
線性核心 (linear kernel)、
多項式核心 (polynomial kernel)、
RBF 核心 (radial basis function)。
SVM有以下幾個特點：
KNN 演算法就如字面上意思一樣直觀，它會在輸入一筆資料 i 時，
根據與 i 最鄰近的 k 個已知資料類別，去決定該筆輸入資料的類別。
這種演算法除了做分類用途，也能用來做近似項目的搜尋。
須注意的是，如果當某個屬性值出現在絕大多數的資料中可能會影響結果。
例如 100 筆資料中有 90 筆具 A 屬性、10 筆具 B 屬性，則有可能
在測試資料的眾多特徵都偏向 B 時卻被分為 A 類，
因此資料須先經過正規化處理。
另外，k 的選擇也可能大幅影響決策分界線的結果，
原因是 k 具有類似「投票票數」的概念。
因此，當 k 為偶數而 k 個最近鄰居有多個類別「票數」一樣多時，
或當 k 為目標類別數的倍數時，都會有難以判定類別的問題。
另外，當 k 的數量過小或過大時，
也會產生 overfitting 或 underfitting 的問題。
選擇 k 值時，通常會將資料間的距離與散布方向作為驗證參考。
KNN 演算法幾個特點如下：
RPA 能用於您技術堆疊的任何應用程式中，以使用者介面為基礎，
主要處理非模型化的「自然建立」流程，當企業必須整合沒有 API 的舊系統，
且無法直接存取資料時，這個功能特別重要。
因此，RPA 對於公司的數位轉型來說至關重要。
RPA 能替代人工流程，減少輸入錯誤、加快工作速度並降低成本，
使員工免於繁瑣的重複性任務，並充分運用他們的人力技能。
透過將較低價值的工作交由 RPA 機器人處理，公司將變得更有效率，進而達到：
1.提升產能
2.自動化工作流程
3.降低人為錯誤
4.降低人工成本
5.管理法規遵循風險
6.提升企業靈活度
7.提升流程透明度
這些結果對於企業的成功皆有貢獻，並有助於改善績效並降低成本。
其它的效益包含：
RPA 可保護甚至改善客戶體驗，具備驚人的擴充能力
（RPA 軟體機器人 365 天全年無休），
且能保持服務水準保持不變，即使在特殊需求和尖峰量的時段也是一樣，
讓員工專注於具更高價值且無法自動化的客戶互動工作上。
RPA 支援舊系統流程相關的自動化，透過現有的圖形使用者介面（GUI）
與 API 整合來與系統互動，協助 IT 有意義地節省成本，
不必將基礎架構和系統現代化。
由於 RPA 工具運用低程式碼/無程式碼開發，商務使用者可自行將流程自動化，
完全不用依賴 IT 人員，且大多手動工作流程都可透過軟體機器人處理，
因此也能簡化員工訓練。
由於 RPA 不需要客製化軟體或深度整合，因此該技術在運用上不僅更經濟實惠，
也更簡便快速。例如，瑞士阿爾高州和蘇黎世區當局在 14 天內便成功導入
RPA 來取代人工作業，成功迴避因疫情縮短工時而積存的補償付款威脅。
發表文章
所有留言
