AI 100 講
← M10 iPAS 實戰 M10 iPAS 實戰

M10.10｜總複習：AI 100 講知識地圖與 iPAS 考前衝刺

從第一講到第一百講——把 AI 的全貌裝進你的腦海，然後走進考場

L1-AI基礎知識-全面複習 L2-AI專案管理-全面複習 L3-AI倫理與治理-全面複習 L4-AI應用實務-全面複習
🇺🇸 DOL AI Literacy 🧠 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 🤲 啟動體驗式學習 🏢 情境嵌入式學習 💡 培養互補的人類技能 📶 解決先備條件 🛤️ 建立持續學習路徑 👥 培育賦能角色 🔄 敏捷設計
總複習 iPAS考試 知識地圖 AI全覽 考前衝刺 重點整理 模擬考題 AI應用規劃師 學習地圖 融會貫通
📋

本講學習重點

AI 100 講涵蓋哪十大核心主題？
iPAS 考試的四大考核面向是什麼？
哪些知識點是跨模組的共同基礎？
iPAS 常見的易錯題類型有哪些？
如何在考場上有效運用所學？

M01 AI 基礎：AI/ML/DL 三層架構，強/弱/超AI，圖靈測試，AI 發展史里程碑

M02 機器學習：監督/非監督/強化學習，過擬合/欠擬合，Bias-Variance Tradeoff，交叉驗證

M03 深度學習：神經網路結構，CNN/RNN/Transformer，反向傳播，批次正規化

M04 自然語言處理：Tokenization，Word2Vec，BERT，GPT，Prompt Engineering

M05 電腦視覺：影像識別，物件偵測（YOLO），語義分割，遷移學習

M06 生成式AI：GAN，VAE，Diffusion Model，幻覺問題，RAG

M07 AI 工具生態：主流框架（TensorFlow/PyTorch），MLOps，雲端 AI 服務

M08 大數據：5V，Hadoop/Spark，資料管線，特徵工程，資料品質

M09 AI 倫理與治理：偏見，公平性，可解釋性（XAI），隱私（差分隱私），法規（GDPR/AI Act）

M10 iPAS 實戰：產品設計思維，TCO/ROI，跨部門溝通，AI趨勢，Agentic AI

📌 AI 100 講從基礎概念到實戰應用，構建了一張完整的 AI 知識地圖。掌握這張地圖的關鍵不只是記住每個知識點，而是理解它們之間的連結：資料品質影響模型效能、模型效能決定業務價值、業務價值需要溝通才能被理解、理解需要倫理框架才能負責任地實踐。AI 應用規劃師的核心價值，就是能夠把這些知識串連起來，為組織創造真實的價值。
總複習：AI 100 講知識地圖與 iPAS 考前衝刺

🎙️ Podcast（中文）

0:00 / 0:00

一句話搞懂

一百講走下來，你已經從「AI 是什麼？」走到了「如何設計、評估、部署、溝通、和反思 AI 系統」。現在是把這一切知識串成一張有機知識地圖的時候了——不是孤立地記住一個個知識點，而是看見它們之間的因果關係和相互影響，帶著這張完整的地圖走進考場，也走進你的工作和生活。

白話解說

一張圖看懂 AI 100 講的知識架構

整個課程的知識可以用一條「從問題到解方」的線索串起來：

[真實世界的問題]
       ↓
[資料收集與工程] (M08)
       ↓
[機器學習建模] (M02)
       ↓
[深度學習強化] (M03)
       ↓
[語言/視覺/生成能力] (M04, M05, M06)
       ↓
[工具與部署] (M07)
       ↓
[應用設計與管理] (M10)
       ↓
[倫理與治理] (M09)
       ↓
[持續的價值創造]

貫穿這條線索的基礎，是 M01 的 AI 核心概念——它是理解後面所有模組的共同語言。iPAS 考試的題目也常常跨越多個模組：一道關於「導入 AI 影像辨識做品質檢測」的題目，可能同時考到電腦視覺（M05）、資料品質（M08）、TCO（M10）、倫理中的偏見問題（M09）。

M01 AI 基礎——知識地圖的入口

M01 是整個課程的語言基礎。這裡的核心知識點，幾乎在每一個後面的模組都會用到：

三層架構：人工智慧（AI）> 機器學習（ML）> 深度學習（DL）。DL 是 ML 的子集，ML 是 AI 的子集，而不是三個並列的東西。

AI 能力分類：

  • 弱人工智慧（Narrow AI）：目前所有商業 AI 都屬此類，只能做特定任務
  • 強人工智慧（AGI）：能在任何認知任務上比肩人類，目前尚未實現
  • 超人工智慧（ASI）：超越人類，目前是理論概念

AI 的三個學習典範：監督式學習（有標籤資料）、非監督式學習（無標籤資料）、強化學習（獎勵信號）——這個分類框架在 M02 詳細展開。

iPAS 考點提醒：「機器學習」和「人工智慧」的關係，以及各種 AI 術語（如 AI 和 Expert System 的差異）是常見選擇題。

M02 機器學習——AI 的數學引擎

M02 是整個 AI 系統的核心引擎，幾乎所有 AI 應用的底層都是某種形式的機器學習。

最重要的三個概念：

1. 偏差-變異數權衡（Bias-Variance Tradeoff）

  • 高偏差（高 Bias）= 欠擬合 = 模型太簡單，連訓練資料都學不好
  • 高變異（高 Variance）= 過擬合 = 模型太複雜，記住了訓練資料的雜訊，無法泛化到新資料
  • 目標：找到甜蜜點，讓訓練誤差和驗證誤差都合理

2. 模型評估指標

  • 分類問題：準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1 Score、AUC-ROC
  • 回歸問題：MAE、MSE、RMSE、R²
  • 重要：在類別不平衡問題（如詐欺偵測，99%正常、1%詐欺）中，Accuracy 是誤導性指標，應用 F1 Score 或 AUC-ROC

3. 交叉驗證（Cross-Validation）

  • K-Fold CV 是評估模型泛化能力的標準方法
  • 訓練集/驗證集/測試集三分法的目的和邊界

M03 深度學習——讓 AI 看懂複雜模式

M03 是理解現代 AI 突破的技術核心。

CNN（卷積神經網路）：專為處理有局部結構的資料設計（圖片、聲音頻譜），透過卷積核提取局部特徵，再透過池化壓縮空間維度。是電腦視覺的基礎架構。

RNN/LSTM（循環神經網路）：專為序列資料設計（文字、時間序列），能記住前面的輸入資訊。但有梯度消失問題，LSTM 用門控機制解決了這個問題。

Transformer：2017 年 Attention Is All You Need 論文提出，用自注意力（Self-Attention）機制捕捉長距離依賴，並行運算比 RNN 快，是 BERT、GPT、Stable Diffusion 等幾乎所有現代大模型的基礎架構。

反向傳播（Backpropagation）：神經網路訓練的核心算法，根據損失函數的梯度，反向更新每一層的權重。

M04 自然語言處理——讓 AI 讀懂人類語言

詞嵌入（Word Embedding）：把詞語轉換成向量，讓語義相近的詞向量距離相近。Word2Vec、GloVe 是代表方法。

預訓練語言模型的演進：

  • BERT（2018）：雙向 Transformer，用「遮罩語言模型」任務在大量文字上預訓練，擅長理解（文本分類、命名實體識別）
  • GPT 系列（2018-今）：單向生成式 Transformer，擅長文字生成
  • 現代 LLM（2022-今）：GPT-4、Claude、Gemini 等，超大規模、多模態、指令微調

Prompt Engineering 的重要性：對生成式 AI 的輸出品質影響巨大，好的 Prompt 能讓模型表現大幅提升。Zero-shot、Few-shot、Chain of Thought 是三種核心提示技術。

幻覺（Hallucination）問題：LLM 可能生成聽起來很合理但實際上不正確的資訊。RAG（檢索增強生成）是目前最主流的解決方案，讓模型回答前先從知識庫搜尋相關資料。

M05 電腦視覺——讓 AI 看懂圖像世界

核心任務四分法：

  • 圖像分類（Classification）：「這張圖片是貓還是狗？」
  • 物件偵測（Detection）：「圖片中有哪些物件、在哪裡？」（YOLO、Faster R-CNN）
  • 語義分割（Semantic Segmentation）：「圖片中每個像素屬於哪個類別？」
  • 實例分割（Instance Segmentation）：更精細的分割，區分同類別的不同個體

遷移學習（Transfer Learning）：使用在大型資料集（如 ImageNet）上預訓練好的模型，針對新任務進行微調（Fine-tuning）。大幅降低訓練資料需求量和計算成本，是企業實際部署電腦視覺最常用的策略。

M06 生成式 AI——讓 AI 創造內容

生成模型的三大架構：

  • GAN（生成對抗網路）：生成器和判別器對抗訓練，生成高品質逼真圖像
  • VAE（變分自動編碼器）：學習資料的潛在空間分佈，生成多樣化樣本
  • Diffusion Model（擴散模型）：學習反轉加雜訊的過程，是 Stable Diffusion、DALL-E 3 的基礎

RAG（Retrieval-Augmented Generation）的工作流程：

  1. 使用者提問 → 2. 向量資料庫搜尋相關文件 → 3. 把相關文件塞入 Prompt → 4. LLM 根據文件生成回答

M07 AI 工具生態——讓 AI 落地的技術棧

主流框架：TensorFlow（Google，部署友好）vs. PyTorch（Meta，研究友好），現在兩者都支援研究和生產部署。

MLOps 生命週期： 資料收集 → 特徵工程 → 模型訓練 → 評估 → 部署 → 監控 → 再訓練（循環）

MLOps 的目的是把 ML 開發的最佳實踐（版本控制、CI/CD、自動化測試）應用到 AI 系統，讓 AI 能夠可靠地在生產環境中持續運作。

模型部署方式：API 服務（REST API）、邊緣部署（ONNX Runtime、TensorRT）、Serverless（雲端 AI 服務）

M08 大數據——AI 的原材料工廠

5V 框架：Volume、Velocity、Variety、Veracity、Value。其中 Veracity（資料品質）是最容易被忽略但影響 AI 系統品質最深的一個。

資料管線（Data Pipeline）：從資料源收集 → ETL（Extract, Transform, Load）→ 資料倉庫/資料湖 → 特徵工程 → 訓練資料

特徵工程的重要性：「垃圾進，垃圾出（GIGO）」。特徵的選擇和設計，往往比模型選擇對最終效能的影響更大。

M09 AI 倫理與治理——負責任的 AI

六大倫理原則（常見版本）：公平性（Fairness）、透明性（Transparency）、可問責性（Accountability）、隱私性（Privacy）、安全性（Safety）、包容性（Inclusivity）

演算法偏見的來源：訓練資料中的歷史偏見、採樣偏差、標注者偏見、反饋迴路強化偏見

XAI（可解釋 AI）的主要方法：

  • LIME：局部線性近似，解釋單一預測
  • SHAP：基於 Shapley 值，量化每個特徵的貢獻度
  • Saliency Map（顯著圖）：視覺化神經網路關注了圖片的哪個部分

主要法規：歐盟 GDPR（資料保護）、歐盟 AI Act（AI 風險分級監管）、台灣個人資料保護法

M10 iPAS 實戰——把知識變成行動力

M10 把所有技術知識轉化為「能夠在組織中實際發揮作用的能力」：

  • 產品設計思維：從使用者痛點出發，用 MVP 快速驗證假設，持續迭代
  • 成本效益分析：TCO 完整估算（含隱性成本），ROI 計算（硬效益 + 軟效益），三情境分析
  • 跨部門溝通：WIIFM 原則，類比法解釋技術，利害關係人矩陣，變革曲線管理
  • 產業趨勢：Agentic AI（自主行動）、多模態（全感知）、AI 民主化（人人可用）

各模組重點回顧表

模組 核心主題 最重要的 3 個概念 iPAS 高頻考點
M01 AI 基礎 AI/ML/DL 三層架構與 AI 類型 弱/強/超AI、三種學習典範、圖靈測試 AI 與 ML 的關係、各術語定義
M02 機器學習 從資料學習規律的方法論 Bias-Variance Tradeoff、評估指標、交叉驗證 過擬合辨識、選對評估指標的情境題
M03 深度學習 多層神經網路的強大表達能力 CNN/RNN/Transformer 適用場景、反向傳播 各架構適用場景、Transformer 的優勢
M04 自然語言處理 讓機器理解和生成人類語言 BERT vs GPT 差異、Prompt 技巧、RAG 幻覺問題與解法、Prompt Engineering
M05 電腦視覺 讓機器「看懂」圖像 四大任務定義、遷移學習、YOLO 各任務差異、資料增強技術
M06 生成式 AI 讓機器「創造」內容 GAN/VAE/Diffusion 差異、RAG 架構 生成模型架構辨識、RAG 工作流程
M07 AI 工具生態 讓 AI 從實驗走進生產 MLOps 生命週期、TF vs PyTorch、部署方式 MLOps 各階段、CI/CD 在 ML 的應用
M08 大數據 AI 的原材料與基礎設施 5V 框架、資料管線、特徵工程 Veracity 的重要性、批次 vs 串流
M09 AI 倫理 負責任地開發和使用 AI 六大倫理原則、偏見來源、XAI 方法 偏見情境題、法規適用、XAI 工具
M10 iPAS 實戰 把技術轉化為組織價值 MVP 設計、TCO/ROI、利害關係人管理 隱性成本識別、WIIFM 應用

小練習

練習 1（跨模組整合）：AI 導入情境分析

一家台灣的銀行想導入 AI 信貸審核系統，自動評估個人貸款申請的核准與否。

請從以下五個角度，各指出一個最重要的考量：

(A) 機器學習角度（M02）：選擇哪個評估指標？為什麼？ (B) 倫理與治理角度（M09）：最大的風險是什麼？如何緩解？ (C) 成本效益角度（M10）：最可能被忽略的隱性成本是什麼？ (D) 溝通角度（M10）：向法遵部門主任解釋 AI 系統時，最重要的訊息是什麼？ (E) 趨勢角度（M10）：未來這個系統最可能演化成什麼形態？

練習 2（iPAS 模擬考題組）：綜合選擇題

題目 1：以下關於機器學習「過擬合（Overfitting）」的描述，何者正確？ (A) 模型在訓練集上表現差，在測試集上表現也差 (B) 模型在訓練集上表現好，但在測試集上表現差 (C) 模型在訓練集上表現差，但在測試集上表現好 (D) 模型在訓練集和測試集上都表現很好

題目 2：企業導入 AI 客服系統時，以下哪個屬於「隱性成本」？ (A) 系統軟體授權費用 (B) 伺服器硬體採購費用 (C) 員工從舊流程切換到新系統期間的生產力下滑 (D) 外部 AI 顧問公司的開發費用

題目 3：以下關於 RAG（Retrieval-Augmented Generation）技術的描述，何者最準確？ (A) RAG 是一種訓練語言模型的方法，讓模型在訓練時就記住大量知識 (B) RAG 在推論時從外部知識庫搜尋相關資訊，提供給語言模型作為參考，以減少幻覺問題 (C) RAG 是指用多個不同的語言模型同時生成答案，再取最佳結果 (D) RAG 是強化學習的一個變體，用人類回饋來微調語言模型

題目 4：一個二元分類模型在測試集上的 Accuracy 達到 99%，但 F1 Score 只有 0.21。最可能的原因是什麼？ (A) 模型發生了嚴重的過擬合 (B) 測試集資料的類別分佈極度不平衡（如 99% 負例、1% 正例） (C) 模型的學習率設定過高，導致訓練不穩定 (D) 訓練資料量太少，導致模型效能低落

題目 5：下列哪個選項最符合「AI 倫理中的可解釋性（Explainability）」原則？ (A) 確保 AI 系統的訓練資料不包含任何個人資料 (B) 讓 AI 系統能夠說明做出特定決策的主要依據，讓使用者和受影響者能夠理解 (C) 要求 AI 系統的程式碼完全開源，供所有人審查 (D) 在 AI 系統的決策可能出錯時，自動停止運作並通知人類

查看答案 **練習 1 答案：** **(A) 機器學習角度——評估指標選擇** **最重要的指標：AUC-ROC 或 F1 Score，而非 Accuracy。** 信貸審核有兩種錯誤類型：**假陽性（核准了不應核准的）**導致銀行壞帳損失；**假陰性（拒絕了應核准的）**導致業績損失和客戶不滿。由於壞帳的損失遠大於錯失業績，通常需要讓召回率（Recall）偏高（抓出更多潛在壞帳），但同時要避免精確率（Precision）太低（太多好客戶被誤拒）。AUC-ROC 能幫助在不同的決策閾值下比較模型的整體表現，再根據業務的風險偏好選擇最適合的閾值。 **(B) 倫理與治理角度——最大風險** **最大風險：演算法偏見（Algorithmic Bias）。** 如果訓練資料反映了歷史上對特定族群（性別、年齡、居住地區、職業）的信貸歧視，AI 模型會學習並複製這些偏見，甚至放大。這不只是倫理問題，在台灣也可能觸犯《消費者保護法》或《銀行法》中的公平待遇規定。**緩解方法**：定期進行公平性審計（比較不同族群的核准率和拒絕率是否有不合理差異）、採用 XAI 工具（如 SHAP）解釋每個申請的拒絕原因、保留人工審查機制作為最終把關。 **(C) 成本效益角度——最容易被忽略的隱性成本** **最常被忽略的：資料品質整理成本和合規成本。** 銀行的歷史信貸資料分散在不同年代的系統中，格式不一致、有大量缺值，需要耗費大量人力做資料清洗和格式統一。另外，銀行受金融監理機關管轄，AI 信貸審核系統可能需要通過金管會的審查、準備大量的合規文件和模型說明文件，這些法遵成本在初期估算中很容易被遺漏。 **(D) 溝通角度——向法遵部門主任的關鍵訊息** **法遵主任最在意的是：「合規性」和「責任歸屬」。** 關鍵訊息應是：「AI 系統作為輔助決策工具，最終核准/拒絕的決策仍由人類信貸人員確認，AI 不會做出任何無法被人類審查和覆蓋的決定。我們有完整的決策記錄（Audit Log），每一筆 AI 建議都有可追溯的依據，確保符合金管會的模型風險管理規範（MRM）要求。」 **(E) 趨勢角度——未來演化形態** **最可能的演化方向：Agentic AI 信貸助理。** 目前的 AI 信貸系統主要是「評分 + 建議」，仍需人工確認。未來的形態可能是：Agent 自動收集申請人的多模態資訊（正式文件、社群媒體、信用局資料）、自動進行多步驟的風險評估（包括調用各種外部 API 驗證資訊真實性）、為信貸人員生成結構化的審核報告，人類的角色從「做決定」轉為「審查 AI 的建議和依據」。這個演化需要同時強化模型的可解釋性（XAI）和監控機制，確保不會引入更嚴重的偏見問題。 --- **練習 2 模擬考題答案：** **題目 1 答案：(B)** - (A) 錯誤，這是欠擬合（Underfitting）的描述 - **(B) 正確**，過擬合 = 訓練集好、測試集差（模型「背答案」但不會「舉一反三」） - (C) 錯誤，這種情況在現實中罕見，通常表示訓練集有問題 - (D) 錯誤，這是理想的良好泛化狀態，不是過擬合 **題目 2 答案：(C)** - (A) 錯誤，授權費是合約上的明確費用，是可見成本 - (B) 錯誤，硬體採購通常在規劃時就會列出，是可見成本 - **(C) 正確**，員工學習曲線和生產力下滑是典型的隱性成本，很少在初期預算中被估算 - (D) 錯誤，外部顧問費通常也是合約金額的一部分，屬可見成本 **題目 3 答案：(B)** - (A) 錯誤，RAG 不是訓練方法，而是推論時的架構設計 - **(B) 正確**，RAG 的核心是「在生成前先從知識庫檢索，把檢索結果作為上下文提供給模型」，能讓模型回答最新的、特定領域的問題，並減少憑空捏造（幻覺）的機率 - (C) 錯誤，這描述的是 Ensemble 或 Model Routing，不是 RAG - (D) 錯誤，這描述的是 RLHF（人類回饋強化學習），不是 RAG **題目 4 答案：(B)** - (A) 錯誤，過擬合的表現是訓練集好、測試集差，Accuracy 不會高達 99% - **(B) 正確**，這是類別不平衡問題的典型特徵。若測試集有 99% 負例，一個把所有樣本都預測為負例的「笨模型」，Accuracy 就高達 99%，但 F1 Score 極低，因為它完全沒有辨識出任何正例（如詐欺案件），召回率為 0 - (C) 錯誤，學習率問題會影響訓練收斂，不會導致這種特定的 Accuracy 高、F1 低的現象 - (D) 錯誤，資料量少會導致整體效能低，不會造成 Accuracy 99% 但 F1 只有 0.21 的極端反差 **題目 5 答案：(B)** - (A) 錯誤，這描述的是「隱私性（Privacy）」原則 - **(B) 正確**，可解釋性的核心是「決策的透明度」——AI 為什麼做出這個決定？這個決定的主要依據是什麼？讓受影響者（如被拒絕信貸的申請人）和監管者能夠理解和質疑 AI 的決策邏輯 - (C) 錯誤，開源程式碼屬於技術透明度，但可解釋性更強調的是對非技術人員可理解的決策說明 - (D) 錯誤，這描述的更接近「安全性（Safety）」或「可靠性」原則中的失效安全（Fail-safe）設計

關鍵字自我檢核

✅ iPAS人工智慧應用規劃師 ✅ AI應用規劃師 ✅ 總複習 ✅ Final Review ✅ 知識地圖 ✅ Knowledge Map ✅ 考前準備 ✅ Exam Preparation ✅ AI基礎知識 ✅ Machine Learning ✅ Deep Learning ✅ NLP ✅ Computer Vision ✅ 生成式AI ✅ Generative AI ✅ 資料工程 ✅ Data Engineering ✅ AI倫理 ✅ AI Ethics ✅ AI部署 ✅ AI Deployment ✅ MLOps ✅ AI專案管理