iPAS 初級 AI 應用規劃師備考

EP05-RAG與LoRA 企業AI實戰重點

AI小撇步 — Sun, 12 Jul 2026 07:22:40 GMT

L121-L123 生成式AI實務應用與企業導入規劃

No-code / Low-code 工具選型：No-code免寫程式靠拖拉，Low-code需極少程式碼。優點為開發快、門檻與成本低；缺點為彈性與擴展性受限。適合中小企業快速驗證（MVP）或非技術部門自動化。
Prompt Engineering 三大技術：Zero-shot不給例子直接問；Few-shot提供範例引導特定風格；Chain-of-Thought（思維鏈）要求一步步推理，能大幅提升AI邏輯與解題準確率。
RAG 檢索增強生成技術：先查外部知識庫再交由AI回答。核心優勢：降低AI幻覺、資料更新及時（免重訓模型）、答案具備可追溯性。是企業基於內部文件建構問答系統的首選技術。
PEFT 與 LoRA 參數高效微調：不需耗費鉅資重新訓練幾百億參數的大模型，僅微調極少部分參數。適用於企業預算有限、但希望模型適應特定專業術語或業務邏輯的情境。
MLOps 與資料漂移風險：MLOps負責模型上線後的監控與維運。必須嚴防「資料漂移」，即現實中客戶行為與資料分布改變，導致模型預測準確率逐漸下降的問題。

--
Hosting provided by SoundOn

AI小撇步 — Sun, 12 Jul 2026 07:20:20 GMT

L114 鑑別式與生成式 AI 的核心對比與應用挑戰

鑑別式 AI（判斷專家）：旨在分辨、判斷與預測（如垃圾郵件過濾、人臉辨識），其學的是給定輸入 X 輸出標籤 Y 的機率。記憶口訣：『這是什麼』，像法官看證據做判決。
生成式 AI（創作大師）：旨在創造全新的內容（如文字、圖片、程式碼），其學的是資料的分布規律，基於 Transformer 架構。記憶口訣：『幫我做一個』，像藝術家進行創作。
核心技術與學習模式對比：鑑別式主要採用『監督式學習』，需要人工標記資料；生成式主要採用『自監督學習』，從海量無標籤資料中學習規律。兩者可完美整合（鑑別式判斷意圖，生成式產出回應）。
AI 幻覺與 RAG 檢索增強：幻覺是指 AI 產生看似合理但事實錯誤的內容。高風險場景（醫療、法律）需搭配 RAG（檢索增強生成）技術，讓 AI 採取『先查資料庫再回答』的模式來抑制幻覺。
生成式 AI 的三大安全挑戰：考試必考的三大倫理風險：一是訓練資料的『版權爭議』；二是『深偽技術（Deepfake）』偽造影音帶來的社會信任危害；三是複製並放大訓練資料的『偏見問題』。

--
Hosting provided by SoundOn

AI小撇步 — Sun, 12 Jul 2026 07:17:02 GMT

L113 機器學習概念考試重點與指標精華

四大機器學習判定法：有標籤選「監督式」（分類與預測）；無標籤選「非監督式」（群集與異常偵測）；少標籤混用選「半監督式」；獎懲與試錯選「強化學習」（遊戲AI與自駕車）。
過擬合與欠擬合診斷：訓練高、測試低為「過擬合」（死記硬背，用正則化或 Dropout 解決）；兩者皆低為「欠擬合」（學太淺、模型太簡單）。
指標抉擇（召回率 vs 精確率）：「漏掉後果嚴重」（如癌症診斷）優先看召回率 (Recall)；「誤報後果嚴重」（如新聞推薦、廣告垃圾郵件）優先看精確率 (Precision)。
深度學習與 Softmax 應用：深度學習為機器學習子集。面對「多分類問題」（如數字、影像辨識）時，輸出層激活函數首選 Softmax，將輸出轉為總和為 1 的機率值。
整體分類效能指標：評估分類模型整體表現看 AUC-ROC 曲線，數值越接近 1 越好；F1 分數則是精確率與召回率的調和平均，兩者皆重要時使用。

--
Hosting provided by SoundOn

AI小撇步 — Sun, 12 Jul 2026 07:04:29 GMT

L112 資料處理與分析概念

大數據 3V 特性：Volume（量大）、Velocity（速快）、Variety（種類多）。記憶口訣：「量、速、多」，若考題出現 5V，則是額外加上真實性（Veracity）與價值（Value）。
三大資料結構分類：結構化（有格式的表格，如資料庫）、半結構化（有標籤但內文自由，如 JSON/XML/Email）、非結構化（無固定格式，如影音/圖片，佔全球 80% 以上）。
樣本不平衡與 SMOTE 技術：當特定類別極端少（如詐騙偵測）會使 AI 學習效果差。SMOTE 是透過「人工製造更多少數樣本」來解決數據不平衡問題的關鍵技術。
去識別化不等於匿名化：去識別化僅移除直接識別符，仍有被關聯反推的隱私風險；匿名化才是 100% 無法還原。考題常以「去識別化後即完全無風險」作為誘答陷阱。
三大 AI 資安威脅：資料中毒（訓練期加入錯誤資料讓 AI 學壞）、對抗性攻擊（輸入期加入微小噪音干擾判斷，如將貓辨識成烤麵包機）、模型竊取（透過大量查詢反推模型運作）。

--
Hosting provided by SoundOn

AI小撇步 — Mon, 06 Jul 2026 04:00:00 GMT

考試重點提示

--
Hosting provided by SoundOn