AI 100 講
← 回首頁
🇺🇸 U.S. Department of Labor

AI Literacy Framework

美國勞工部 AI 素養框架 — TEN 07-25（2026.02.13 發布）

本頁將勞工部的 5 大內容領域 + 7 項實施原則，完整對照到 AI 100 講的課程，幫助你同時掌握國際 AI 素養標準與 iPAS 證照考試重點。

📄 原始文件：Training and Employment Notice No. 07-25

雙軌對照：DOL 框架 × iPAS 體系

🇺🇸

DOL AI Literacy Framework

  • 5 大內容領域（Content Areas）
  • 7 項實施原則（Delivery Principles）
  • 目標：全國勞動力 AI 素養
  • 性質：自願性指引
  • 適用：職訓機構、社區大學、企業
🇹🇼

iPAS AI 應用規劃師

  • 2 級 4 科評鑑碼體系
  • L1 初級：基礎知識 + 應用規劃
  • L2 中級：技術應用 + 系統部署
  • 性質：經濟部能力認證
  • 適用：AI 從業者、轉職者

5 大內容領域（Foundational Content Areas）

🧠

DOL-1｜理解 AI 原理

Understand AI Principles

AI 的核心概念、運作方式、能力與限制的基礎知識

核心子題

  • AI 產出的是機率性結果，不是確定性答案
  • AI 系統可能生成錯誤或不準確的資訊（幻覺）
  • AI 能處理多種格式（文字、圖片、音訊）
  • 每個 AI 系統都反映了人類對資料、目標和參數的設計選擇
  • 理解 AI 的能力範圍與限制

對應講座

M01.01 什麼是 AI：定義、能力邊界與常見誤解 M01.02 AI 的分類：規則式、機器學習、深度學習、生成式 AI M01.05 AI 專案成功三要素：資料、模型、流程 M01.10 iPAS 應試地圖：考科與評鑑主題總覽 M02.01 資料的本質：什麼是資料，為什麼 AI 離不開它 M02.02 資料類型全覽：結構化、半結構化、非結構化 M02.05 資料清理與前處理：AI 專案最花時間的步驟 M02.07 資料標註：教 AI 什麼是對、什麼是錯 M03.01 機器學習是什麼：讓機器自己從資料中學規則 M03.02 監督式學習：有老師教的學習方式 M03.03 非監督式學習：沒有老師，自己找規律 M03.04 分類 vs 迴歸：預測類別還是預測數字 M03.06 模型訓練流程：從資料切割到模型驗證 M04.01 神經網路基礎：從生物神經元到人工神經元 M04.03 CNN 卷積神經網路：讓 AI 學會看圖 M04.04 RNN 與序列模型：讓 AI 理解時間順序 M04.05 Transformer 架構：AI 革命的核心引擎 M04.06 反向傳播與梯度下降：AI 怎麼從錯誤中學習 M04.08 GPU 與深度學習硬體：為什麼訓練 AI 需要顯示卡 M05.01 生成式 AI 是什麼：從判別到生成的典範轉移 M05.02 大型語言模型 LLM：GPT、Claude、Gemini 的運作原理 M05.06 圖像生成：Diffusion Model、DALL-E、Midjourney M07.01 自然語言處理 NLP 概覽：讓 AI 讀懂人話 M07.03 電腦視覺 CV 概覽：讓 AI 學會看世界 M07.05 語音辨識與合成：AI 的耳朵和嘴巴 M07.06 多模態 AI：看圖說話、聽聲辨物的全能選手 M07.09 知識圖譜：讓 AI 理解事物之間的關係 M08.01 大數據的 5V：Volume、Velocity、Variety、Veracity、Value M08.02 描述性統計：用數字說故事的基本功 M10.01 iPAS AI 應用規劃師考試全攻略 M10.03 AI 倫理與法規 M10.09 AI 產業趨勢與未來：Agentic AI、多模態與 AI 民主化 M10.10 總複習：AI 100 講知識地圖與 iPAS 考前衝刺
🔍

DOL-2｜探索 AI 應用

Explore AI Uses

AI 在職場中的實際應用，以及如何輔助而非取代人類專業

核心子題

  • AI 如何支援草擬、資料分析、創意生成、決策輔助與任務自動化
  • 辨識何時適合使用 AI、何時應由人類判斷主導
  • 展示 AI 如何「輔助」人類專業能力

對應講座

M01.05 AI 專案成功三要素：資料、模型、流程 M01.07 用例選擇：哪些問題適合用 AI，哪些不適合 M01.08 AI 導入商業評估：ROI、TCO、風險成本 M01.09 AI 專案角色：產品、資料、工程、法務、資安 M03.10 模型選擇與調參：沒有最好的模型，只有最適合的 M04.02 深度學習 vs 傳統機器學習：什麼時候該用深度學習 M05.05 AI Agent 與工具使用：讓 AI 不只會說，還會做 M05.10 企業導入生成式 AI：策略、風險與最佳實踐 M05.11 Agentic AI 與 AI 代理系統：從工具到自主行動者 M06.01 No-Code / Low-Code AI 是什麼：不寫程式也能用 AI M05.12 MCP 與 A2A 協議：AI 代理如何與世界溝通 M06.02 AutoML 平台：讓機器自己選演算法、調參數 M05.13 Prompt Engineering 進階：CoT、ToT 與結構化提示設計 M05.14 RAG 進階：Chunking 優化、增量更新與混合搜尋 M06.04 聊天機器人建置：不寫程式也能做客服 AI M06.05 RPA 流程自動化：讓機器人代替你做重複性工作 M06.06 低程式碼數據分析：Excel 進化到 Power BI 與 Tableau M06.07 AI 導入評估框架：技術可行 ≠ 商業可行 M06.08 整合與 API 串接：讓 AI 工具跟現有系統對話 M06.10 No-Code AI 實戰案例：中小企業的 AI 導入路徑 M07.02 文本分類與情緒分析：AI 讀懂客戶心聲 M07.04 物件偵測與影像辨識：從分類到定位 M07.07 OCR 與文件理解：讓 AI 讀懂紙本文件 M07.08 推薦系統：AI 怎麼知道你想看什麼 M07.10 AI 應用技術選型指南：NLP、CV、多模態怎麼選 M08.06 機器學習管線中的資料處理 M08.07 時間序列分析與預測 M08.08 異常偵測 M10.01 iPAS AI 應用規劃師考試全攻略 M10.02 AI 專案規劃方法論 M10.04 AI 風險管理 M10.05 AI 導入組織變革 M10.09 AI 產業趨勢與未來：Agentic AI、多模態與 AI 民主化 M10.10 總複習：AI 100 講知識地圖與 iPAS 考前衝刺 M06.11 2026 AI 工具生態：Cursor、Copilot 與 Vibe Coding 時代
🔎

DOL-4｜評估 AI 產出

Evaluate AI Outputs

關鍵驗證技能，核心原則：「工作者必須保持主控權」

核心子題

  • 驗證 AI 生成內容的事實準確性
  • 評估產出的完整度
  • 識別 AI 推理中的邏輯漏洞
  • 運用領域專業知識來決定如何使用、修改或拒絕 AI 產出

對應講座

M01.04 人機協作三種監督：Human-in/on/over-the-loop M01.06 AI 風險地圖：準確性、偏誤、資安、隱私、合規 M02.03 資料品質：垃圾進垃圾出的真相 M02.09 資料偏誤：你的資料決定了 AI 的偏見 M03.08 模型評估指標：準確率、精確率、召回率、F1、AUC M03.09 混淆矩陣：看透模型錯在哪裡 M04.10 深度學習的局限與未來：不是所有問題都需要深度學習 M05.08 AI 幻覺與事實查核：生成式 AI 的可靠性問題 M06.09 No-Code AI 的限制與天花板 M08.03 相關性 vs 因果性：AI 最容易搞混的關係 M08.05 A/B 測試：用實驗驗證 AI 的效果 M08.07 時間序列分析與預測 M08.08 異常偵測 M08.09 資料倫理與隱私保護 M08.10 資料分析專案管理 M09.02 模型版本管理：讓實驗可重現、讓部署有憑有據 M09.04 模型服務化：讓 AI 模型變成可呼叫的服務 M09.06 模型監控與觀測：讓 AI 系統持續健康運作 M09.07 模型重訓練策略：讓 AI 系統跟上世界的腳步 M09.09 AI 系統的可靠性工程：讓 AI 服務穩如磐石 M10.03 AI 倫理與法規 M10.05 AI 導入組織變革 M10.07 AI 專案的成本效益分析：TCO、ROI 與隱性成本 M10.10 總複習：AI 100 講知識地圖與 iPAS 考前衝刺
⚖️

DOL-5｜負責任地使用 AI

Use AI Responsibly

AI 輔助工作中的倫理、安全與問責

核心子題

  • 保護敏感資訊並確保資料安全
  • 遵循職場政策與法律要求
  • 避免濫用（抄襲、冒充）
  • 管理高風險情境中的風險
  • 對 AI 輔助的決策保持個人問責

對應講座

M01.03 AI 治理是什麼：為什麼不是只有法務要懂 M01.04 人機協作三種監督：Human-in/on/over-the-loop M01.06 AI 風險地圖：準確性、偏誤、資安、隱私、合規 M02.04 資料蒐集：從哪裡來、怎麼取得、合法嗎 M02.08 資料隱私與個資保護：GDPR、台灣個資法 M02.09 資料偏誤：你的資料決定了 AI 的偏見 M02.10 資料治理：建立企業的資料管理制度 M05.09 生成式 AI 的倫理爭議：著作權、深偽、工作取代 M08.09 資料倫理與隱私保護 M09.01 MLOps 概覽：從實驗到產品的橋樑 M09.03 CI/CD for ML：讓模型更新像軟體發布一樣可靠 M09.05 容器化與雲端部署：讓模型在任何地方都能跑 M09.10 MLOps 成熟度模型：從「跑得動」到「跑得好」的組織旅程 M10.06 AI 產品設計思維：使用者需求、MVP 與產品迭代 M10.07 AI 專案的成本效益分析：TCO、ROI 與隱性成本 M10.08 跨部門協作與溝通：如何向非技術人員解釋 AI M10.10 總複習：AI 100 講知識地圖與 iPAS 考前衝刺 M01.11 台灣 AI 基本法：七大原則與企業必知的法規框架 M01.12 AI 治理實務：金管會指引、公部門手冊與 AI 產品評測

7 項實施原則（Delivery Principles）

🤲

DP-1｜啟動體驗式學習

Enable Experiential Learning

人們透過實作來學習 AI，而不是閱讀。將動手實作嵌入真實任務中。

M01.05 AI 專案成功三要素：資料、模型、流程 M02.05 資料清理與前處理：AI 專案最花時間的步驟 M02.06 特徵工程：把原始資料變成模型看得懂的語言 M02.07 資料標註：教 AI 什麼是對、什麼是錯 M03.02 監督式學習：有老師教的學習方式 M03.06 模型訓練流程：從資料切割到模型驗證 M04.03 CNN 卷積神經網路：讓 AI 學會看圖 M04.04 RNN 與序列模型：讓 AI 理解時間順序 M04.09 深度學習框架：PyTorch vs TensorFlow M05.03 Prompt Engineering：跟 AI 說話的藝術 M05.05 AI Agent 與工具使用：讓 AI 不只會說，還會做 M05.06 圖像生成：Diffusion Model、DALL-E、Midjourney M06.02 AutoML 平台：讓機器自己選演算法、調參數 M06.03 視覺化工作流程工具：用拖拉方式建 AI 管線 M06.04 聊天機器人建置：不寫程式也能做客服 AI M06.06 低程式碼數據分析：Excel 進化到 Power BI 與 Tableau M07.02 文本分類與情緒分析：AI 讀懂客戶心聲 M07.04 物件偵測與影像辨識：從分類到定位 M07.05 語音辨識與合成：AI 的耳朵和嘴巴 M07.07 OCR 與文件理解：讓 AI 讀懂紙本文件 M08.04 資料視覺化：一張好圖勝過一千個數字 M08.05 A/B 測試：用實驗驗證 AI 的效果 M08.07 時間序列分析與預測 M08.08 異常偵測 M10.01 iPAS AI 應用規劃師考試全攻略 M10.03 AI 倫理與法規 M10.06 AI 產品設計思維：使用者需求、MVP 與產品迭代 M10.08 跨部門協作與溝通：如何向非技術人員解釋 AI M10.10 總複習：AI 100 講知識地圖與 iPAS 考前衝刺
🏢

DP-2｜情境嵌入式學習

Embed Learning in Context

將 AI 素養與學習者的實際工作或領域結合，才能真正內化。

M01.02 AI 的分類：規則式、機器學習、深度學習、生成式 AI M01.07 用例選擇：哪些問題適合用 AI，哪些不適合 M01.08 AI 導入商業評估：ROI、TCO、風險成本 M02.02 資料類型全覽：結構化、半結構化、非結構化 M02.04 資料蒐集：從哪裡來、怎麼取得、合法嗎 M03.03 非監督式學習：沒有老師，自己找規律 M03.04 分類 vs 迴歸：預測類別還是預測數字 M04.02 深度學習 vs 傳統機器學習：什麼時候該用深度學習 M05.04 RAG 檢索增強生成：讓 AI 查資料再回答 M06.05 RPA 流程自動化：讓機器人代替你做重複性工作 M06.07 AI 導入評估框架：技術可行 ≠ 商業可行 M06.08 整合與 API 串接：讓 AI 工具跟現有系統對話 M07.08 推薦系統：AI 怎麼知道你想看什麼 M07.09 知識圖譜：讓 AI 理解事物之間的關係 M08.06 機器學習管線中的資料處理 M09.01 MLOps 概覽：從實驗到產品的橋樑 M09.02 模型版本管理：讓實驗可重現、讓部署有憑有據 M09.03 CI/CD for ML：讓模型更新像軟體發布一樣可靠 M09.04 模型服務化：讓 AI 模型變成可呼叫的服務 M09.05 容器化與雲端部署：讓模型在任何地方都能跑 M09.08 Edge AI 與端側部署：讓 AI 在裝置上跑起來 M10.02 AI 專案規劃方法論 M10.05 AI 導入組織變革 M10.07 AI 專案的成本效益分析：TCO、ROI 與隱性成本 M10.10 總複習：AI 100 講知識地圖與 iPAS 考前衝刺

覆蓋率矩陣

AI 100 講各模組對 DOL 五大領域的覆蓋情況（目前已上線模組）

模組 🧠
理解 AI 原理		 🔍
探索 AI 應用		 🎯
有效指揮 AI		 🔎
評估 AI 產出		 ⚖️
負責任地使用 AI
M01 AI 思維與治理 4 4 - 2 5
M02 資料素養與資料流程 4 - 1 2 4
M03 機器學習入門 5 1 - 2 -
M04 深度學習與代表架構 6 1 2 1 -
M05 生成式 AI 基礎 3 6 3 1 1
M06 No/Low Code 與應用規劃 - 9 1 1 -
M07 NLP / CV / 多模態應用 5 5 - - -
M08 大數據處理分析與應用 2 3 3 6 1
M09 MLOps 與系統部署整合 - - 6 5 4
M10 iPAS 題型策略與實戰 4 6 4 4 4