iPAS 應用規劃師考試中，產業應用題型佔比非常高。很多考生會搞混：到底是製造業用電腦視覺（CV），還是醫療業用生成式 AI（GAI）？
為了讓大家在手機上也能方便複習，我把過去散落在四篇文章的精華，重新整理成這篇「產業應用全攻略」。不用背長篇大論，先看懂下方的「關鍵字速記清單」，這一大類的分數就能穩穩拿下。
📊 第一部分：產業應用關鍵字速記清單 (Cheatsheet)
考試沒時間？先背這一段！我將各領域的「核心目標」與「必考關鍵字」整理如下：💰 智慧金融 (Smart Finance)
- 【核心目標】：風險控管、效率提升、秒級決策。
- 【關鍵技術】：鑑別式 AI (分類模型)、SVM、邏輯迴歸。
- 【常見考點】：
- 信用評分：預測客戶違約機率。
- 詐欺偵測：抓出異常交易模式。
- 高頻交易：毫秒級的自動化買賣。
💊 智慧醫療 (Smart Healthcare)
- 【核心目標】：精準診斷、個人化治療。
- 【關鍵技術】：電腦視覺 (CNN)、生成式 AI (GAN)。
- 【常見考點】：
- 影像判讀：AI 識別 X 光或 MRI 中的細微病灶。
- 藥物研發：利用 AI 模擬分子結構，縮短開發時間。
- 資料增強：考題常問「罕見疾病數據不夠怎麼辦？」，答案是用 GAN 生成模擬影像。
🏭 智慧製造 (Smart Manufacturing)
- 【核心目標】：提升良率、預防無預警停機。
- 【關鍵技術】：電腦視覺 (瑕疵檢測)、機器學習 (時間序列)、MLOps。
- 【常見考點】：
- AOI 光學檢測：取代人眼，精準抓出產品瑕疵。
- 預測性維護 (必考)：監測震動與溫度，在機器壞掉前先維修。
- 數位孿生：在虛擬世界模擬生產流程。
🚀 系統導入與維運 (System Deployment)
- 【核心目標】：落地變現、持續維運、合規管理。
- 【關鍵技術】：MLOps、API 串接、風險管理。
- 【常見考點】：
- 概念漂移 (Concept Drift)：模型因為環境改變（如換原料）而失準。
- 模型幻覺：生成式 AI 產生不實內容。
- 法規遵循：GDPR、個資法 (PII) 的處理。
💰 第二部分：AI 在金融的應用詳解
金融業是 AI 的先行者，核心價值在於「秒級決策」與「精準風控」。
1. 風險評估與信用審核 (Risk Assessment)
- 原理：AI 就像一位 24 小時不休息的審核官。利用分類模型（如邏輯迴歸、決策樹），綜合分析客戶的交易習慣與經濟指標，預測「違約機率」。
- 白話解讀：傳統審核只看薪資證明，AI 審核連你半夜幾點刷卡、消費頻率都納入考量，畫出一條精準的「借貸安全線」。
2. 實時欺詐檢測 (Fraud Detection)
- 原理：系統學習「正常交易模式」，一旦發現異常（如突然在海外大額消費），系統立刻攔截。
- 技術：通常使用非監督式學習（找離群值）或 SVM。
3. 自動與高頻交易 (High-Frequency Trading)
- 原理：利用強化學習分析市場波動，在微秒等級（人腦反應不過來的速度）進行買賣，賺取微小價差積少成多。
💊 第三部分：AI 在醫療的應用詳解
醫療 AI 的目標不是取代醫生，而是成為醫生的「超級透視眼」與「最強助理」。
1. 疾病的精準診斷 (Diagnosis)
- 原理：這是鑑別式 AI 的主場。利用 CNN (卷積神經網路) 快速掃描 X 光片或 MRI，找出肉眼難以察覺的早期腫瘤。
- 必考題：若題目問到「醫療影像隱私」，記得選 聯邦學習 (Federated Learning)，讓數據不出醫院也能訓練模型。
2. 藥物研發 (Drug Discovery)
- 價值：大幅縮短新藥開發時間。AI 能模擬分子結構，預測藥物與病毒的結合效果，省下數年的實驗室試錯成本。
3. 個人化醫療 (Personalized Medicine)
- 趨勢：整合基因數據、生活習慣等多模態數據，不再是「一種藥醫百種人」，而是量身打造治療方案。
🏭 第四部分：AI 在製造業的應用詳解
製造業的決勝點在於「預知未來」——在機器壞掉之前先修好它。
1. 智慧品管 (Quality Control)
- 技術：電腦視覺 (CV)。
- 應用：AOI 自動光學檢測。AI 眼力檢察官不眨眼地盯著產線，用 YOLO 或 R-CNN 模型抓出產品表面的微小刮痕或尺寸偏差。
2. 預測性維護 (Predictive Maintenance) ⭐五星重點
- 技術：機器學習 (ML) 與時間序列分析。
- 情境：透過感測器監控設備的溫度與震動。
- 價值：一旦數據出現異常趨勢（即使機器還在轉），AI 就會警告「三天後可能故障」，讓工廠由「被動維修」轉為「主動預防」，避免停線損失。
3. MLOps 與數據漂移 (Data Drift)
- 情境題：工廠換了原料供應商，導致 AI 檢測良率突然下降，為什麼？
- 答案：這叫做**「概念漂移 (Concept Drift)」或「數據漂移」**。模型學的是舊原料的特徵，不認得新原料。
- 解法：建立 MLOps 流程，監控數據分佈，一旦發現漂移就觸發「自動重新訓練 (Auto-retraining)」。
🚀 第五部分：AI 系統的實際運用 (Deployment)
當模型訓練好之後，如何變成賺錢的服務？這就是「實際運用」層。
1. 成功導入的 3 大要素
- 需求辨識：先找痛點（As-Is vs To-Be），不要為了做 AI 而做 AI。
- 效益量化：用 ROI (投資報酬率) 或 KPI 來評估 AI 導入是否划算。
- 系統集成：將模型封裝成 API，串接到企業原本的 ERP 或 CRM 系統中。
2. 風險管理 (Risk Management) 在實際落地時，iPAS 非常重視法規與倫理，這也是必考題：
- 偏見風險：模型是否對特定性別或種族有歧視？
- 幻覺風險：生成式 AI 是否在胡說八道？
- 合規風險：處理金融/醫療數據時，是否符合 GDPR 與 個資法？
想看更詳細的考題解析？ 這篇文章是觀念總整理，如果你想刷題目，歡迎到我的沙龍房間：【📝 iPAS 模擬題庫 & 詳解】 進行實戰演練！
👇 觀看 YouTube 影音版教學： https://www.youtube.com/@ipasstudybuddy
