iPAS AI 應用規劃師 (初級) - 科目一+科目二 核心重點與知識點分析 CCChen

嗨 我是CCChen

個人學習整理資料分享: (使用AI工具: NotebookLM pro)

iPAS AI 應用規劃師 (初級) - 科目一: 核心重點與知識點分析

科目一「人工智慧基礎概論」主要涵蓋人工智慧的基礎概念、資料處理與分析、機器學習原理，以及鑑別式 AI 與生成式 AI 的核心知識。

在 iPAS AI 初級能力鑑定中，機器學習相關內容約佔 40%，鑑別式 AI 與生成式 AI 相關約佔 30%，歐盟 AI 法案、負責任 AI 與其他法規相關約佔 18%，而資料處理與分析相關則約佔 12%。

以下為各評鑑主題的核心重點：

• 人工智慧概念 (AI Concept)
• • AI 定義與發展史： 需了解 AI 的基本定義與分類，以及其發展歷程中的關鍵事件與人物，例如圖靈測試、達特茅斯會議、AI 寒冬、IBM 深藍等。
  • AI 治理與倫理 (Responsible AI)： 強調 AI 應具備公平性、可解釋性、透明性、隱私保護與問責制，以避免偏見與歧視。這也包括理解在「負責任 AI」中，各方利害關係人（如開發者、使用者、政府）應承擔的責任歸屬。
  • 國內外相關政策法規： 熟悉歐盟 AI 法案 (EU AI Act) 的核心目的、風險導向原則、四類風險等級（不可接受、高風險、有限制風險、最小風險），並能辨識其在不同應用情境（如聊天機器人、預測行為、金融信用評分、內部臉部辨識、語音助理）中的歸類與相應罰則。此外，也應掌握台灣相關法規，如《公部門 AI 應用參考手冊》與《金融業運用人工智慧（AI）指引》中的核心原則，包括對基本權利的尊重、漸進導入、知情原則、人類監督，以及避免偏見與歧視的相關要求。
  • AI 偏見 (AI Bias)： 理解 AI 偏見的成因（例如訓練資料不平衡），以及如何透過資料前處理、模型測試與檢查等方法來降低偏見。
• 資料處理與分析概念 (Data Processing & Analysis)
• • 資料基本概念與來源： 區分不同的資料型態（如數值型、文字型、圖像型、布林型）與結構（結構化、非結構化、半結構化）。熟悉大數據的 5V 特性（Volume 大量性、Velocity 高速性、Variety 多樣性、Veracity 真實性、Value 價值）。
  • 資料整理與分析流程： 理解資料收集、清理（處理缺失值、重複值、錯誤資料、異常值）、轉換（格式轉換、標準化、特徵工程）以及分析與呈現（資料視覺化相關圖表應用）的步驟與重要性。
  • 資料隱私與安全： 了解 GDPR 和 CCPA 等國際資料隱私法規，以及加密技術、差分隱私技術和個人識別資訊（PII）移除與去識別化的概念。
  • 資料儲存架構： 理解關聯式資料庫、資料湖與資料倉儲等不同儲存架構的主要特性與用途。
• 機器學習概念 (ML Concept)
• • 機器學習基本原理與目的： 掌握機器學習的定義、三大類型（監督式學習、非監督式學習、強化學習）及其應用場景，並了解半監督式學習與人類回饋強化學習 (RLHF) 的流程與應用。
  • 核心流程： 包括數據處理、模型訓練、模型評估與優化。
  • 模型效能評估： 熟悉常用的評估指標，例如 ROC 曲線/AUC、混淆矩陣（True Positive, False Positive, True Negative, False Negative）、MSE/MAE 和 F1 分數。
  • 模型優化與問題： 理解過擬合 (Overfitting) 與欠擬合 (Underfitting) 的成因與影響，以及正則化（如 L1、L2 正則化和 Dropout 技術）、偏差與變異 (Bias & Variance)、交叉驗證 (Cross-Validation) 等技術如何防止過擬合並提升模型的泛化能力。
  • 深度學習 (DL)： 了解其基本原理（如反向傳播、梯度下降），主要架構（如卷積神經網路 CNN、循環神經網路 RNN 與長短期記憶網路 LSTM），以及 Transformer 的核心技術「自注意力機制 (Self-Attention)」與大型語言模型 (LLM) 的基本概念（如 GPT 系列）。
  • 生成式模型： 了解生成對抗網路 (GAN)、變分自編碼器 (VAE) 與擴散模型 (Diffusion Models) 的原理與應用（如圖像生成）。
  • 自然語言處理 (NLP)： 掌握文本預處理（如分詞、詞幹提取、詞形還原）、詞嵌入、常見 NLP 任務（如情感分析、命名實體識別、NLU/NLG），以及與 LLM 相關的提示工程 (Prompt Engineering)、檢索增強生成 (RAG)、模型微調 (Fine-tuning) 等。
  • AI 安全與倫理 (攻擊與防禦)： 了解常見的攻擊手法，如提示注入攻擊 (Prompt Injection Attack)，以及相應的防禦措施。
• 鑑別式 AI 與生成式 AI 概念 (Discriminative AI & Generative AI Concept)
• • 基本原理、運用技術測試與驗證、目的與特性： 理解兩者的核心目的，其中生成式 AI 最核心的能力是生成新的、原創的內容。
  • 整合應用： 了解它們在電腦視覺 (Computer Vision)（如圖像分類、物件偵測、自動駕駛）、語音辨識、生成技術等領域的應用場域與情境，以及如何進行整合應用。

iPAS AI 應用規劃師 (初級) - 科目二: 核心重點與知識點分析

根據iPAS AI應用規劃師初級能力鑑定第一場 (03/22) 與第二場 (05/03) 的考試分析，科目二「生成式 AI 應用與規劃」的出題分佈大約為：生成式 AI 應用領域與工具使用佔約 50%、No code / Low code 概念佔約 30%、生成式 AI 導入評估規劃佔約 20%。

以下為科目二各評鑑主題的核心知識點分析：

• No code / Low code 概念
• • 基本概念與定義：理解 No code 指無需編碼、透過視覺化使用者介面和拖拉式操作進行應用開發；而 Low code 則結合視覺化開發與少量程式碼，保留客製化彈性.
  • 優勢與限制：掌握 No code / Low code 的理論知識及其在實際應用中的優缺點。其優勢包括降低 AI 應用門檻、加速原型設計和快速建構智能流程. 然而，它們可能受限於功能彈性、模型可調性、資料存取權限和部署自由度等.
  • AI 民主化：了解 No code / Low code 平台如何將 AI 技術普及至非技術人員與一般大眾，從而促進 AI 的公平應用.

• • 資料隱私與安全：
  • • 個人識別資訊 (PII) 與去識別化 (De-identification / Anonymization)：理解 PII 的定義（如姓名、身分證號碼、電話）以及去識別化（移除或模糊 PII，如匿名化和假名化）的技術與目的，以符合資料隱私法規（如 GDPR、CCPA）並降低 AI 訓練風險.
    • 加密技術 (Encryption Technology)：了解其將原始資料轉換為密文，保護敏感數據在儲存與傳輸過程中不被未授權者讀取的作用.
    • 差分隱私技術 (Differential Privacy)：了解其在統計查詢或機器學習中注入隨機噪音，以保護個人隱私的方式.
• 生成式 AI 應用領域與工具使用
• • 應用類型與常見工具：生成式 AI 的應用類型廣泛，包括文本、音樂、圖像、影片和程式碼生成. 需熟悉常見的工具，例如 ChatGPT、SUNO (AI 音樂生成)、DALL-E (文字轉圖像) 和 Midjourney (AI 圖像生成)，以及 GitHub Copilot (程式碼生成). 此外，也要了解 OpenAI API 的應用.
  • 新發布的 AI 工具：特別關注 2025 年新發布的 AI 工具，例如 Claude、Deepseek、Gemini 2.0、Hugging Face、Perplexity 和 NotebookLM 等.
  • 台灣相關 AI 平台：了解台灣本土的 AI 平台，如 台灣 AI 雲 (TWCC)、TAIWAN AI RAP 平台 和 國科會可信任 AI 對話引擎 (TAIDE).
  • 提示工程 (Prompt Engineering)：理解其應用與目的，即透過設計和優化提示詞 (Prompt) 來引導生成式 AI 輸出精確且有用的結果. 提示工程涉及語意引導、格式控制和多回合互動策略.
  • 風險與防禦：了解與提示工程相關的風險，例如 提示洩漏 (Prompt Leakage) 和 提示注入攻擊 (Prompt Injection Attack)，以及相應的防禦措施.
  • 檢索增強生成 (Retrieval-Augmented Generation, RAG)：理解其結合檢索系統與生成模型的原理，即在生成回應前先從外部知識庫中擷取相關資訊，從而提升回答的準確性和事實性. 掌握 RAG 與模型微調 (Fine-tuning) 的比較，例如 RAG 在即時性和彈性方面的優勢.
  • AI Agent (人工智慧代理人)：了解其具備自主感知、決策與執行任務能力的核心功能，能完成多步驟任務並提升 AI 行動力.
• 生成式 AI 導入評估規劃
• • 導入評估：
  • • AI 導入通常遵循五個步驟.
    • 進行技術或工具效能評估、選擇適用解決方案、執行成本效益分析，並考慮 AI 代理的應用.
    • 可行性評估 (Feasibility Assessment)：在專案初期評估 AI 專案在技術、時間與資源上的可執行性，以確保專案能夠順利落地 [B041, 284].
    • 概念驗證 (Proof of Concept, PoC)：在正式部署前，以小規模實驗來驗證 AI 模型的可行性與效益，從而降低風險和資源浪費.
  • 導入規劃：
  • • 包括目標設置、資源分配、導入策略、因應措施和測試等環節.
    • 實施與營運的建議順序為：專案落地 → 模型監控與重新訓練 → AI 加值擴散.
  • AI 風險管理：
  • • 生成式 AI 倫理風險：關注如數據偏見 (Data Bias) 與幻覺 (Hallucination) 等問題.
    • 資料安全隱私與合規性：確保符合 GDPR、CCPA 等資料隱私法規.
    • 風險影響：建立風險辨識、評估、緩解與監控機制至關重要.
  • 模型部署與監控：
  • • 地端 (On-premise) 與雲端 (Cloud) 部署：理解兩者在資安、成本、擴展性上的差異和選擇考量.
    • 邊緣運算 (Edge Computing)：了解其降低延遲、實現即時反應的優點.
    • 模型封裝 (Model Packaging) 與容器化技術 (Containerization, e.g., Docker)：確保模型部署的可攜性和可重複性.
    • MLOps (Machine Learning Operations)：涵蓋 AI 模型訓練、部署和監控的全生命週期管理.
    • 性能指標監控：持續監測模型的精確率、召回率、F1 分數等關鍵性能指標.
    • 資料飄移 (Data Drift) 與概念飄移 (Concept Drift) 偵測：理解模型效能下降的常見原因（輸入資料分佈或標籤意義改變）.
    • 模型再訓練 (Model Retraining)：應對資料或概念飄移的常見策略.
    • 持續整合/持續交付/持續部署 (CI/CD/CD)：透過自動化程式碼整合、測試與部署流程，確保穩定性.

個人整理資料,僅供參考, 實際依官方文件內容為主.

免責聲明

本資料為個人自行整理之學習筆記，僅供學習參考之用。內容並非官方正式文件，亦不構成任何形式之考試建議或保證。本筆記所涉資訊、題型、知識點與觀點，均可能與官方發布有所出入，請使用者自行判斷其適用性。

所有資料之正確性與完整性應以iPAS AI應用規劃師 官方網站與公告資料為準。準備考試時，建議以官方所提供之「考試簡章」、「評鑑範圍參考」、「樣題集」、「科目學習指引」等正式資源為主要依據。

使用者如依本資料進行準備或學習，須自行承擔相關風險，作者不負擔任何直接或間接之損失或責任。