面對AI科技發展日新月異,經濟部於2025年推出「AI應用規劃師」產業人才能力鑑定(iPAS),由經濟部核發能力鑑定證書,期望有效引導學校或培訓機構因應產業需求規劃課程,以輔導學生就業, 縮短學用落差,同時鼓勵我國在校學生及各領域從業人員報考,引導民間機構投入培養符合產業及企業升級轉型所需AI應用人才,以提升產業AI人才之素質與競爭力。
初級能力指標考試目的:
科目1、人工智慧基礎概論:
- 能掌握人工智慧的基本概念與應用領域,瞭解人工智慧的定義、基本理論和核心目標,及AI技術在隱私、安全性與倫理層面可能面臨的挑戰。
- 具備基本的資料處理知識,包括資料收集、清洗、分析和視覺化等過程,並能夠理解資料在AI模型中扮演的角色與作用。
- 理解機器學習的基本原理及其在AI中的作用,並熟悉常見的機器學習方法及其應用。
- 能夠區分鑑別式AI和生成式AI的特性,並理解生成式AI的概念、基本原理及其相關應用。
科目2、生成式AI應用與規劃:
- 理解No Code / Low Code工具的基本概念與應用,掌握其在生成式AI應用中的功用和優勢,並能運用工具進行AI解決方案的設計與測試。
- 熟悉生成式AI常見工具的基本操作,瞭解其應用領域及適用場景,能有效選擇與應用。
- 掌握生成式AI導入的初步規劃要領,包含需求確認、資源分配、 試用測試等步驟等。
中級能力指標考試目的:
科目1、人工智慧技術應用與規劃:
- 熟悉AI相關技術框架,具備根據需求選擇合適技術進行應用開發的能力。
- 能夠根據業務需求分析適合的AI 技術,進行技術可行性評估,設計符合需求的應用架構,並綜合考慮資源配置、技術適配性與實施可行性。
- 熟悉AI模型的訓練流程,包括數據處理、模型調參與效果評估等,確保模型性能符合應用要求,並能夠針對實際情況進行必要的優化與改進。
(科目2或科目3擇一報考)
科目2、大數據處理分析與應用:
- 瞭解機率與統計的基礎知識,並能將其應用於數據分析過程,以確保數據處理與分析結果的準確性。
- 具備使用大數據處理技術與分析方法的能力,熟悉如何使用工具進行數據視覺化,並能深入挖掘數據中的洞察。
- 具備評估大數據在AI應用中的效益的能力,能夠規劃如何利用大數據優化與增強AI模型的應用效果。
科目3、機器學習技術與應用:
- 熟悉機器學習中所需的基本數學知識,包括線性代數、微積分、機率和統計等,能夠理解算法的運作原理並正確應用於模型開發。
- 具備建構、訓練與調校模型的能力,能選擇合適的算法,進行特徵工程,並優化模型參數,以提升模型的精確度與效能。
- 瞭解機器學習與深度學習的概念、方法和技術差異,能夠根據不同類型的AI解決方案選擇並應用最適合的技術。
初級評鑑主題與評鑑內容:
科目1、人工智慧基礎概論:
人工智慧概念
資料處理與分析概念
- 資料基本概念與來源
- 資料整理與分析流程
- 資料隱私與安全
機器學習概念
鑑別式AI與生成式AI概念
- 鑑別式AI與生成式AI的基本原理
- 鑑別式AI與生成式AI的整合應用
科目2、生成式AI應用與規劃:
No code / Low code概念
- No Code / Low Code的基本概念
- No Code / Low Code的優勢與限制
生成式AI應用領域與工具使用
- 生成式AI應用領域與常見工具
- 如何善用生成式AI工具
生成式AI導入評估規劃
- 生成式AI導入評估
- 生成式AI導入規劃
- 生成式AI風險管理
中級評鑑主題與評鑑內容:
科目1、人工智慧技術應用與規劃:
AI相關技術應用
- 自然語言處理技術與應用
- 電腦視覺技術與應用
- 生成式AI技術與應用
- 多模態人工智慧應用
AI導入評估規劃
AI技術應用與系統部署
科目2、大數據處理分析與應用:
機率統計基礎
- 敘述性統計與資料摘要技術
- 機率分佈與資料分佈模型
- 假設檢定與統計推論
大數據處理技術
大數據分析方法與工具
- 統計學在大數據中的應用
- 常見的大數據分析方法
- 數據可視化工具
大數據在人工智慧之應用
- 大數據與機器學習
- 大數據在鑑別式AI中的應用
- 大數據在生成式AI中的應用
- 大數據隱私保護、安全與合規
科目3、機器學習技術與應用:
機器學習基礎數學
- 機率/統計之機器學習基礎應用
- 線性代數之機器學習基礎應用
- 數值優化技術與方法
機器學習與深度學習
- 機器學習原理與技術
- 常見機器學習演算法
- 深度學習原理與框架
機器學習建模與參數調校
- 數據準備與特徵工程
- 模型選擇與架構設計
- 模型訓練、評估與驗證
- 模型調整與優化
機器學習治理
接下來我會先從初級的範圍開始學習跟整理內容,有興趣的朋友歡迎追蹤我來掌握最新進度喔!!
我是TN科技筆記,如果喜歡這篇文章,歡迎愛心、留言、轉發給朋友給我支持鼓勵!!沙龍內有更多科技文章等著各位喔!