# 【iPAS AI應用規劃師】初級科目ㄧ：生成式AI應用與規劃人工智慧基礎概論

這份筆記涵蓋了人工智慧的基礎核心知識，從 AI 的基本概念、資料處理的標準流程，一路深入到機器學習的核心演算法（如監督式、非監督式與強化學習），最後探討當前最熱門的鑑別式 AI 與生成式 AI 的差異與整合應用 。本筆記旨在為準備 AI 導入與應用規劃的學習者，建立一套結構嚴密且具備高度實用性的技術藍圖 。

<br>

## 01. 人工智慧概念與架構

### 01-01. 人工智慧的定義與分類

**核心論點**：人工智慧 (AI) 是一種模擬人類智慧的技術，使機器能執行學習、推理、解決問題與感知環境等任務。

**關鍵細節**：
- 近十年突飛猛進的關鍵驅動力：軟硬體技術進步、計算能力提升、開放資料普及、數據（多樣性、品質與規模）的增長，以及演算法與機器學習的不斷精進。
- 依照功能，AI 可分為三大類：
1. **分析型 AI**：洞悉數據模式，處理大量數據以提供見解。
2. **預測型 AI**：基於歷史資料預測未來的趨勢和行為（如市場預測、風險評估）。
3. **生成型 AI**：根據使用者輸入的提示詞 (Prompt)，高效生成文字、語音、圖像和影片。
- 企業導入 AI 的主要目標：提高效率、增強決策能力、提供個人化服務以及促進創新（特別是 2022 年後生成式 AI 帶動的工作型態轉變）。

:::success
💡 **舉例/比喻**：
想像 AI 是一個企業實習生。「分析型 AI」幫你整理過去十年的銷售報表；「預測型 AI」告訴你下個月哪支商品會大賣；而「生成型 AI」則是直接幫你寫好下個月的新品行銷文案 。
:::

:::danger
🔥 **實戰考點補充**：AI 的發展階段分類
- **弱 AI (Narrow AI)**：目前我們最常接觸的類型，核心特徵是 **「專業化與任務的單一性」**（無意識，無法進行跨領域的思考或學習）。例如：垃圾郵件過濾器、精準推薦電影的系統，或在 X 光片中專門標記骨折的 AI。
- **通用 AI (AGI)**：AI 領域的長期目標。具備與人類相當的理解力，能夠進行跨領域的學習與應用、知識遷移（例如：擔任全科醫生助理，綜合診斷未曾見過的罕見疾病）。
- **超級智慧 (ASI)**：在科學創造力、藝術鑑賞等所有層面皆遠超人類。例如：能在毫秒間解開科學家數十年未解的方程式，並創造全新物理理論的 AI。
:::

:::danger
🔥 **實戰考點補充**：企業導入生成式 AI 的三大關鍵步驟
- **第一步（策略面）**：務必先設定可量化、可追蹤的經營目標，而非盲目跟風追求技術。
- **硬體與 IT 環境（基礎設施面）**：內部 IT 環境最需要具備 **「高效能運算資源與彈性儲存空間」**，才能有效支援 AI 模型的龐大訓練與推理 (Inference) 需求。
- **組織與人才（文化面）**：有效幫助現職員工提升 AI 應用能力的方法，是 **「安排跨部門交流和測試專案 (Pilot Projects)」**，讓理論在實際業務中落地。
:::

### 01-02. 人工智慧的應用領域

**核心論點**：AI 技術正在迅速改變各行各業的運作模式，影響深遠且廣泛 。

**關鍵細節**：
- **醫療保健**：疾病診斷（分析 X 光/MRI 影像提早發現病變）、藥物研發（分子結構模擬以縮短時間）、個人化醫療（基於基因與生活習慣量身訂制）。
- **金融**：風險評估（分析信用紀錄以審核貸款）、欺詐檢測（實時監控異常交易）、自動交易（高頻分析市場數據）。
- **製造業**：自動化生產（結合機器人執行重複任務）、品質控制（影像辨識檢測產品缺陷）、預測性維護（分析設備運行數據預防故障）。
- **交通**：自動駕駛（結合感測器與導航實現精準控制）、交通流量預測（動態管理與路線建議）。
- **娛樂**：遊戲開發（自適應角色與情節）、虛擬現實（結合 VR 創造沉浸環境）、內容推薦（個人化影音文章推薦）。

:::danger
🔥 **實戰考點補充**：AI 模仿人類的四大認知功能
- **感知 (Perception)**：接收並轉換外界資訊（如電腦視覺技術「看懂」圖片）。
- **學習 (Learning)**：從數據中發掘模式並自我優化。
- **推理 (Reasoning)**：根據已知資訊推導新結論（例如：輸入歷史股價、財報與 GDP 數據，綜合分析關聯性以「推斷」未來股價走勢）。
- **解決問題 (Problem Solving)**：為了達成特定目標，在動態變化中計算並規劃出最佳路徑（例如：AlphaGo 計算數百萬種走法以獲得最高勝率；或是物流倉儲中心即時分析動態，為數百台無人搬運車規劃「最佳路徑」以避免碰撞）
:::

:::danger
🔥 **實戰考點補充**：AI 歷史發展的兩大流派
- **符號主義 (Symbolism)**：依賴人工編寫的符號、邏輯和規則。優點是決策過程透明且可解釋性高。非常適合應用於需要嚴謹判斷的場景（如：醫療診斷系統）。
- **連結主義 (Connectionism)**：依賴神經網路從數據中自動學習，擅長處理非結構化數據（如深度學習）。主要局限是決策過程如同「黑盒子」，可解釋性較低。
:::

### 01-03. 人工智慧的技術架構

**核心論點**：AI 的實現依賴多層次架構，從底層技術、開發應用一路串聯到實際運用。

**關鍵細節**：
- **技術底層**（提供計算能力、數據支撐與演算法）：
1. **資料處理與分析**：包含清理、整合與儲存，關鍵技術如 ETL (Extract, Transform, Load) 流程、大數據處理平台 (Hadoop, Spark)。
2. **演算法**：AI 的邏輯基石，如迴歸分析、分類演算法、決策樹、基因演算法。
3. **機器學習**：透過資料訓練模型，包含監督式、非監督式與強化學習。
4. **深度學習**：構建於神經網路之上，處理非結構化數據（語音/影像/NLP），常見框架為 TensorFlow, PyTorch。
5. **專家系統**：基於規則與知識庫，模擬人類專家的決策過程。
6. **電腦視覺 (Computer Vision)**：讓電腦從視覺資訊中提取意義。
:::danger
🔥 **實戰考點補充**：物體偵測 (Object Detection) 應用
人臉識別解鎖、智慧監控偵測顧客未結帳離開、工廠機器人辨識生產線上的鬆脫螺絲釘。
:::
7. **自然語言處理 (NLP)**：讓電腦理解人類語言。
:::danger
🔥 **實戰考點補充**：語意分析旨在理解文本深層意義（不主要用於語音識別，語音識別屬於聲學範疇）。NLP 在金融上的經典應用為：檢測金融欺詐行為並減少損失。
:::
- **開發應用**：涵蓋模型設計、訓練、測試及部署，旨在解決特定業務需求。
- **實際運用**：設計行業解決方案（智慧醫療/物流）、打造商業化產品（語音助理）、優化業務流程。

<br>

## 02. 資料處理與分析概念

### 02-01. 數據蒐集與清洗

**核心論點**：資料處理是 AI 的基礎，旨在將原始數據轉化為高品質、具一致性的可用格式。

**關鍵細節**：
- **數據結構分類**：
1. **結構化數據**：行列形式，易於查詢（如 MySQL 資料庫、電子表格）。
2. **半結構化數據**：具標籤但格式靈活（如 XML, JSON, CSV）。
3. **非結構化數據**：無固定結構，需解析後才能分析（如圖片、音訊、電子郵件）。
4. **常見蒐集方法**：問卷調查、自有產品數據、外部公開數據 (API / 網路爬蟲 Web Scraping)、外部付費購買。
- **數據清洗 4 大核心**：
1. **遺缺值 (Missing Value)**：可使用統計法（平均值、中位數或眾數）填補、插補法預測，或若缺失比例過高則直接刪除。
2. **重複值 (Duplicate Value)**：檢查主鍵或唯一識別碼並刪除多餘項目。
3. **錯誤值 (Error Value)**：修正不合理範圍（如年齡出現 -5 歲、拼寫錯誤）。
4. **離群值 (Outlier)**：評估偏離極大的數值是具意義的異常狀況還是單純雜訊。常見偵測方式包含「四分位距法 (IQR)」與「標準差法」。

:::success
💡 **舉例/比喻**：

數據清洗就像是準備做菜前的「洗菜與挑菜」過程。如果蔬菜裡混了泥土（雜訊或錯誤值），或者少了幾片葉子（遺缺值），炒出來的菜（AI 模型）肯定不好吃。把年齡寫成「-5 歲」的資料挑出來修正，就是數據清洗的關鍵步驟 。
:::

:::danger
🔥 **實戰考點補充**：異常值與極端值處理
- 若希望合理判斷某筆極端大額支出（如 1,000,000 元）是否為異常值，應以 Z-score 方法量化異常程度來判斷。
- 若模型常因少數極端資料點導致結果失真，應優先考慮使用特徵轉換 (Normalization) 技術。
- 商業決策例外：若專案目標是「識別高價值客戶行為」，發現部分紀錄數值明顯高於其他點時，應保留離群值並標註為高價值異常點，納入模型訓練考量（並非所有極端值都是錯誤）。
:::

:::danger
🔥 **實戰考點補充**：常見資料品質問題與 ETL 處理
- **資料轉換 (Data Transformation)**：在 ETL 流程中，處理同一實體在不同系統中格式不一致的問題（例如：將「陳大文」與「陳大文先生」統一拼寫，確保正確對應）。
- **冗餘資料 (Redundant Data)**：同一份資料中出現多個欄位（如 score1, score2, score3）儲存相同的資訊，造成結構重複與混淆。
:::

:::danger
🔥 **實戰考點補充**：數據管理與檢索

在龐大的關聯式資料庫（如電商數據管理）中，必須建立 **「索引 (Index)」來實現快速檢索數據**。
:::

:::danger
🔥 **實戰考點補充**：數據隱私與法規 (GDPR)
- **資料透明**：歐盟 GDPR 要求數據收集與處理必須透明。
- **資料最小化原則**：僅收集完成任務所需的最少數據。
- **傳輸加密**：保護資料在網路傳輸過程中的安全，通常使用 VPN 或 HTTPS 技術。
:::

### 02-02. 基礎統計學與假說檢定
**核心論點**：統計學是從海量資料中萃取資訊、驗證模型的指南針，提供了量化不確定性與推論的框架。
**關鍵細節**：
- **中央趨勢的衡量**：
1. **平均數 (Mean)**：資料的重心，最常用但易受極端值影響。
2. **中位數 (Median)**：資料排序後位於正中間的數值，較不易受極端值影響，更能反映典型水平。
3.**眾數 (Mode)**：出現頻率最高的值，不受極端值影響，但可能有多個或不存在。
- **分散度的衡量**：
1. **四分位距 (IQR)**：第三和第一四分位數之間的差異，衡量資料中間 50% 的分散程度 。
2. **標準差 (Standard Deviation)**：是所有觀察值與平均數之間絕對差值的平均；標準差越大，資料越分散（在品質管理中代表品質不穩定、良率低） 。
- **抽樣變異與假說檢定 (Hypothesis Testing)**：
1. **虛無假設 ($H_0$)**：表示不存在顯著效果或差異，為檢定的基準假設 。
2. **對立假設 ($H_a$)**：表示存在顯著效果或差異 。
3. **錯誤類型**：拒絕真實的 $H_0$ 為 Type I 錯誤 ($\alpha$)；接受錯誤的 $H_0$ 為 Type II 錯誤 ($\beta$)。
4. **p 值 (p-value)**：在 $H_0$ 為真之下，觀測值出現極端狀況的機率；若 p 值小於顯著水準 ($\alpha$)，則拒絕虛無假設。

:::info
**注意事項**：抽樣變異
在進行統計分析時，從母體中抽取樣本所計算出的統計量（如樣本平均數、樣本標準差），往往因樣本的隨機性而與對應的母體參數有所差異。這種因抽樣而產生的統計量變動現象。
:::

:::success
💡 **舉例/比喻**：
假設檢定就像「法庭審判」。**虛無假設 ($H_0$)** 是「被告無罪」（維持現狀）；**對立假設 ($H_a$)** 是「被告有罪」（有顯著差異）。**Type I 錯誤**就是「冤枉好人」（錯殺真實的 $H_0$）；**Type II 錯誤**則是「放過壞人」（接受了錯誤的 $H_0$）。
:::

:::danger
🔥 **實戰考點補充**：集中趨勢與資料分布
- 當資料包含極端值（如：一組房屋價格數據中包含少數豪宅的極端高價），使用中位數 (Median) 來描述集中趨勢最為合適。
- 盒鬚圖 (Box plot) 最適合用來視覺化顯示數據的集中趨勢與離群值。
- 若要估計資料的「分布狀態」（如常態分布、偏態），雷達圖 (Radar chart) 是最不適合的圖表（應使用直方圖或核密度估計圖）。
:::

:::danger
🔥 **實戰考點補充**：驗證性分析 (CDA) 與 P 值
- CDA 的目的：相較於探索性分析 (EDA)，CDA 主要著重於 **「驗證先前生成的假設並進行深入挖掘」**。
- P 值的解讀：進行假說檢定時，若 p 值為 0.03，且顯著性水準 ($\alpha$) 設定為 0.05。因為 p < 0.05，代表我們有 95% 的信心水準可以拒絕虛無假設 ($H_0$)。
:::

### 02-03. 數據分析方法

**核心論點**：將數據轉換成適合模型的格式後，運用統計與機器學習提取洞察。

**關鍵細節**：
- **數據轉換 (Data Transformation)**：
1. 格式/類型轉換（如 CSV 轉 JSON、字串轉數值）。
2. 正規化/標準化（將數值縮放至 [0,1] 消除單位影響）。
3. 離散化（將連續年齡轉為青/中/老年）。
4. 數據縮減（透過 PCA 主成分分析等降維技術減少體積）。
- **數據分析方法與統計分類**：
1. **敘述性分析**：描述數據基本特徵。使用平均值、中位數、標準差、百分位數，搭配直方圖、散佈圖、折線圖呈現。
2. **探索性分析 (EDA)**：無預設假設，透過視覺化（如散佈圖矩陣、熱圖、箱型圖）靈活探索模式與異常，生成初步假設。
3. **驗證性分析 (CDA)**：著重於驗證研究者提出的假設，透過分類、分群或預測模型進行深入挖掘。
4. **診斷性分析**：探究現象的根本原因。包含向下分析 (Drill-down)、關聯分析 (Apriori 演算法，如啤酒與尿布)、因果分析 (A/B測試)。
5. **預測性分析**：預測未來趨勢。使用迴歸模型、分類模型 (SVM/決策樹)、時間序列模型 (ARIMA/LSTM) 與集成學習 (Random Forest, XGBoost)。

<br>

## 03. 機器學習概念

### 03-01. 機器學習的基本原理與挑戰
**核心論點**：機器學習 (ML) 是基於數據驅動的方法，讓系統從經驗中學習並自動適應，無需依賴人為編寫的死板規則。

**關鍵細節**：
- **技術優勢**：具備強大的自適應能力與可擴展性，能處理非結構化數據，並隨新數據動態更新（如精準預測用戶偏好的推薦系統）。
- **面臨挑戰**：
1. 數據品質不均或標記匱乏會威脅模型準確性。
2. **解釋性與透明性不足**（如醫療決策若缺乏依據，難以獲專業人士信任）。
3. 數據中的隱性偏見可能導致模型輸出存在歧視。

:::danger
🔥 **實戰考點補充**：機器學習的三個核心要素：數據 (Data)、模型 (Model)、損失函數 (Loss Function)。
:::

:::danger
🔥 **實戰考點補充**：模型訓練與過擬合
- 在劃分數據集時，驗證集 (Validation Set) 的主要用途是用來 **「調整模型的超參數 (Hyperparameters)」**。特徵選取的主要原則是「測試特徵對模型性能的影響」。
- 模型發生過擬合 (Overfitting) 的主要原因，是因為 **「模型過度學習了數據中的雜訊 (Noise)」**，導致缺乏泛化能力。
- 決策樹算法中，通常使用 **「熵 (Entropy)」** 作為衡量數據純度和不確定性的指標，藉此尋找最適合的分裂點。
:::

### 03-02. 機器學習三大類型與經典模型
**核心論點**：機器學習依據數據標記與學習目標，分為監督式、非監督式與強化學習，並支撐多種進階演算法 。

**關鍵細節**：
- **監督式學習 (Supervised Learning)**：使用「有標記的數據」學習輸入與輸出間的映射關係。
1. **線性迴歸 (Linear Regression)**：預測連續數值（如房價），缺點為只能捕捉線性關係。
2. **邏輯迴歸 (Logistic Regression)**：處理二元分類問題，使用 Sigmoid 函數將輸出轉換為 $0$ 到 $1$ 之間的機率值。
3. **支援向量機 (SVM)**：尋找最大化類別間隔的「最佳超平面」，適合解決二元與非線性分類（如識別腫瘤良惡性）。
4. **決策樹 (Decision Tree)**：適合處理具有明確屬性變數的結構化資料分類問題。例如：收集病患的年齡、血壓、血型等屬性，用以建立心血管疾病成因的預測模型。
- **非監督式學習 (Unsupervised Learning)**：數據無事先標記，演算法自動發掘潛在結構與關聯 。
1. **K-均值聚類 (K-Means)**：將數據分為 K 個群組（組內相似度高），應用於市場區隔與客戶分群。
2. **主成分分析 (PCA)**：將高維數據壓縮至低維空間（降維），同時保留主要特徵，以減少冗餘並提高運算效率。
- **強化學習 (Reinforcement Learning, RL)**：基於「回饋（反饋）機制」，代理透過與環境互動進行「試錯學習」。
1. **核心要素**：代理 (Agent)、環境 (Environment)、獎勵 (Reward)、狀態 (State)、行動 (Action) 。
2. **Q-Learning**：學習每個行動的「長期價值 (Q值)」，形成最佳決策策略 。
3. **Deep Q-Learning (DQN)**：結合深度學習解決高維度狀態限制，透過「經驗回放」與目標網路穩定學習過程（如 AlphaGo 與 Atari 遊戲）。

:::success
💡 **舉例/比喻**：
* **監督式 (SVM)**：像是在桌上畫一條最完美的線，把蘋果和橘子遠遠隔開。
* **非監督式 (PCA)**：像是在幫行李箱打包（降維），把體積最大但最不重要的空氣擠掉，只保留最核心的衣物。
* **強化學習 (DQN)**：訓練小狗接飛盤。小狗（代理）觀察風向（狀態），跑去接（行動），接到就有肉乾（獎勵）。「經驗回放」就是小狗在睡夢中反覆回想今天接飛盤成功的訣竅。
:::

:::danger
**🔥 實戰考點補充**：分類模型指標區分
- **召回率 (Recall)**：衡量所有「真實為正例」的樣本中，被正確找出來的比例（用於降低漏報率，如設備異常偵測）。
- **精確率 (Precision)**：衡量模型「預測為正例」的樣本中，真正為正例的比例（預測百發百中的程度）。
:::

### 03-03. 機器學習核心過程：從處理到評估
**核心論點**：機器學習高度依賴計算資源，流程分為數據處理、模型訓練、模型評估與優化。
**關鍵細節**：
- **數據標準化與特徵選擇**：
1. **最小-最大標準化 (Min-Max Scaling)**：將數據映射至 $[0, 1]$ 區間。
\begin{equation}
X_{scaled}=\frac{X-X_{min}}{X_{max}-X_{min}}
\end{equation}
2. **Z-score 標準化**：轉換為均值 $0$、標準差 $1$ 的分佈。
\begin{equation}
X_{scaled}=\frac{X-\mu}{\sigma}
\end{equation}
3. **特徵選擇**：使用過濾法（相關係數）、包裝法（RFE）或嵌入法（LASSO）篩選出最具代表性的特徵。
- **模型訓練與優化**：
1. **損失函數 (Loss Function)**：衡量預測與實際的誤差。迴歸常用 **均方誤差 (MSE)**；分類常用 **交叉熵損失**。
\begin{equation}
MSE=\frac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^{2}
\end{equation}
2. **優化演算法**：使用梯度下降法來最小化損失。如批次梯度下降 (BGD)、隨機梯度下降 (SGD) 或目前最廣泛自適應學習率的 **Adam 演算法** 。
3. **防範過擬合 (Overfitting)**：加入 $L1/L2$ 正則化 (Regularization)、提早停止 (Early Stopping) 或透過旋轉翻轉進行數據增強 (Data Augmentation) 。
- **模型評估與調參**：
1. 使用準確率 (Accuracy) 與 F1 分數評估效能。
2. 運用 **K 折交叉驗證 (K-Fold CV)** 將數據分子集反覆測試，提升泛化能力 。
3. **模型調參 (Hyperparameter Tuning)**：使用網格搜索 (Grid Search)、隨機搜索或貝葉斯優化找尋最優參數組合 。
4. **召回率 (Recall)**：衡量模型在偵測異常事件時的「漏報率」反面指標。例如在智慧工廠中，召回率代表「模型能正確找出異常停機的比例」，是避免錯過關鍵異常的重要指標。

:::danger
**🔥 實戰考點補充**：專案生命週期
在完成概念驗證 (POC, Proof of Concept) 階段，確認技術可行性與商業價值後，通常下一步即為 **「上線部署 (Deployment)」**。
:::

<br>

## 04. 深度學習與生成式 AI
### 04-01. 自然語言處理 (NLP) 核心技術
**關鍵細節**：
- **基礎特徵與表示**：
1. **TF-IDF**：透過詞頻和逆文檔頻率，計算詞語在文本中的重要性。
2. **詞嵌入 (Word Embedding)**：將詞語轉換為向量表示，用於表示詞語的語義關係（也是情感分析中用於標註情感極性的底層技術）。
- **進階任務與模型**：
1. **命名實體識別 (NER)**：查找並分類文本中有專有名稱的實體（如人名、地名、組織名）。
2. **文本分類**：將文本分配到預定義的類別中（如主題分類）。
3. **BERT 模型** ：強大的預訓練語言模型，主要應用於理解上下文和深層語義。
4. **LSTM (長短期記憶網路)**：RNN 的改良版，主要特性是能學習序列數據中的「長期依賴關係」。

:::danger
🔥 **實戰考點補充**：NLP 評估指標
- **困惑度 (Perplexity)**：衡量語言模型對數據的預測不確定性，常用於評估模型生成文本的流暢度和連貫性（數值越低越好）。
- **BLEU 分數**：常用於評估機器翻譯的品質，透過比較模型生成的譯文與人工參考譯文之間的 n-gram 重疊程度。
:::

### 04-02. 電腦視覺 (CV) 核心技術
**關鍵細節**：
- **核心任務與應用**：
1. **邊緣檢測**：識別物體輪廓，通常是為了後續的目標檢測做準備。
2. **物體檢測 (Object Detection)**：識別並「定位」圖像中的特定物體。知名技術如 R-CNN 。
3. **圖像分割 (Image Segmentation)**：將圖像中的不同部分進行像素級的細分，常應用於醫療影像分析（用於分割和識別不同組織和結構）。

:::danger
🔥 **實戰考點補充**：雲端視覺應用與陷阱
1. PCA (主成分分析) 主要用於「數據降維」，不屬於圖像增強技術（圖像增強包含旋轉、翻轉、調整對比度等）。
2. 數位資產管理 (DAM) 核心目的是管理豐富的媒體資產。智慧裁剪縮圖的目的是 **「確保縮圖聚焦於主體區域」**。
3. 雲端服務（如 Azure AI）的優勢在於：使用少量的圖像（Transfer Learning）即可有效訓練自訂模型。智慧門鈴的臉部配件偵測通常能檢測眼睛（眼鏡）和口罩。
:::

### 04-03. 深度學習的三大經典模型
**核心論點**：深度學習基於多層人工神經網路，能自動從數據中提取深層且抽象的特徵，不需專家手動設計。
**關鍵細節**：
- **卷積神經網路 (CNN)**：靈感來自生物視覺皮層，極度擅長處理圖像。包含卷積層（提取邊緣/紋理等特徵）、池化層（降維防止過擬合）、全連接層。應用於人臉辨識、物件偵測。
- **循環神經網路 (RNN)**：具備「記憶」先前資訊的能力，專為序列數據設計。為解決梯度消失問題，發展出 LSTM (引入遺忘門等機制) 與 GRU。應用於機器翻譯、語音轉文字、時間序列預測。
- **生成對抗網路 (GAN)**：由「生成器 (Generator)」與「判別器 (Discriminator)」組成。生成器負責產出假資料騙過對方，判別器負責抓假，透過對抗學習產出極逼真數據。缺點是訓練易不穩定（模式崩潰）。應用於圖像生成、風格遷移。

:::danger
**🔥 實戰考點補充**：深度學習架構（如 CNN, RNN 等神經網路）最擅長處理的資料類型為非結構化資料（如影像、音音、自然語言）
:::

:::danger
🔥 **實戰考點補充**：生成對抗網路 (GAN) ：其中鑑別器 (Discriminator) 的主要作用是 **「區分真實數據和生成數據，並提供反饋給生成器」**。深度學習知名框架 TensorFlow 是由 Google 開發的。
:::

### 04-04. 生成式人工智慧 (Generative AI) 的運作與訓練
**核心論點**：透過龐大參數模型建立「文字機率分布」，依據提示詞逐字生成連貫、創新的內容。
**關鍵細節**：
- **訓練階段 (Pre-training)**：
1. **數據準備**：蒐集、清洗，並預處理（將文本轉換為數字向量）。
2. **搭建模型**：選擇 GAN, VAE 或 Transformer 等架構。
3. **模型訓練**：設計損失函數衡量誤差，使用優化器 (如 Adam, SGD) 迭代更新參數，直到模型收斂。
- **微調階段 (Fine-tuning)**：
1. 在預訓練基礎上，使用「特定領域數據集」進行精調，並調整超參數或添加特定層（如語言模型層）。
2. 採用數據增強（如旋轉、翻轉）提升模型泛化能力。
- **成效影響因素**：數據品質/多樣性、模型結構、超參數設置、計算資源。

:::success
💡 **舉例/比喻**：
生成式 AI 的訓練就像培養一位作家。「訓練階段」是讓他讀遍全世界的圖書館（學習基本文法與常識，建立語言規律）；「微調階段」則是讓他專門去研讀醫療期刊（使用特定領域數據集），把他精準打磨成一位能寫醫療專業文章的專欄作家。
:::

:::danger
🔥 **實戰考點補充**：生成式 AI 容易在內容產出中產生偏見。為防止模型偏見影響商業決策，企業導入後應加強 **「偏差偵測 (Bias Detection)」；而減少偏見最源頭的方法是「改善訓練數據來源」**。
:::

<br>

## 05. 鑑別式 AI 與生成式 AI 概念

### 05-01. 基本原理與核心技術差異

**核心論點**：鑑別式 AI 專注於分類與決策（尋找分類邊界），而生成式 AI 則專注於學習數據分佈並創建全新的內容，兩者在目標、輸出與面臨的挑戰上截然不同。

**關鍵細節**：
- **鑑別式 AI (Discriminative AI, DAI)**：
1. **原理**：學習數據特徵與目標標記間的「條件概率 $P(y|x)$」。不建構數據生成的內在機制，只專注找出最適合分類或迴歸的邊界 (Boundary Determination)。
2. **輸出特性**：輸出分類標籤或數值預測（非產生新內容）。
3. **技術挑戰**：**數據偏見 (Bias in Data)**（模型學到不公平的特徵）、**過擬合 (Overfitting)**、**標記成本 (Labeling Cost)**（高度依賴大量人工標記數據）。
- **生成式 AI (Generative AI, GAI)**：
1. **原理**：學習數據的「聯合分佈 $P(x,y)$」或「邊際分佈 $P(x)$」。依賴提示工程 (Prompt Engineering) 與生成內容的固有變異性 (Inherent Variance)，透過反覆調整生成多樣化內容。
2. **輸出特性**：生成具有創新性的新數據樣本（文字、圖像、音訊等）。
3. **技術挑戰**：**內容真實性 (Authenticity)**（可能產生幻覺或虛構資訊）、**可控性低 (Controllability)**、**計算成本極高 (Computational Cost)**。

:::success
💡 **舉例/比喻**：
- **鑑別式 AI** 是一位嚴格的「畫作鑑定師」，他只負責告訴你這幅畫是真跡還是贗品（分類決策），他不會畫畫。
- **生成式 AI** 則是一位「藝術家」，你給他一個主題（提示詞），他就能立刻畫出一幅全新的畫作（內容生成）。
:::

:::danger
🔥 **實戰考點補充**：終極目標與監管
- 負責任 AI (Responsible AI) 的最終目標是 **「促進人類進步」**。
- 歐盟 AI Act 最關注的領域是 **「保護公民健康、安全與基本權利」**。 ([參考來源]("https://share.google/0MBfvNuhlgJQxa7Yi"))
- 行政院等公家機關以外的企業，可 **「參考指引訂定自身的 AI 使用規範」**。
:::

### 05-02. 鑑別式 AI 的五大經典模型
**核心論點**：鑑別式 AI 依賴嚴謹的數學公式與優化過程，在標記數據充足時具備極高的準確性。

**關鍵細節**：
1. **邏輯迴歸 (Logistic Regression)**：最基礎的二元分類模型。透過 Sigmoid 函數將線性輸出映射到 $0$ 到 $1$ 之間的機率值（如設定閾值 0.5）。常用於醫療罹病機率預測、金融違約風險評估。
2. **支援向量機 (SVM)**：尋找能「最大化類別間隔」的最佳超平面。若數據線性不可分，會使用**核函數 (Kernel Function, 如高斯核、多項式核)** 映射到高維空間。常用於文本分類、生物蛋白質分類。
3. **決策樹 (Decision Tree)**：基於遞迴分割原則，利用「資訊增益、吉尼係數或均方誤差」選擇最佳特徵來逐層劃分數據。具備極佳的可解釋性。
4. **隨機森林 (Random Forest)**：決策樹的集成學習。利用 **Bootstrap 取樣法**隨機抽取樣本構建多棵獨立決策樹，最終以「投票或平均」產出結果，大幅降低過擬合風險。
5. **神經網路 (Neural Networks)**：模擬生物神經，透過輸入層、隱藏層、輸出層，搭配激勵函數 (Activation Function) 與反向傳播 (Backpropagation) 調整權重。擅長處理語音、圖像等高維度非結構化數據。

:::danger
🔥 **實戰考點補充**：兩種常見的 AI 損害與應對
- **配置損害 (Allocation Harm)**：AI 系統剝奪了某些群體的機會或資源。常見於職位招聘、信貸評分、教育錄取（以上皆是）。
- **服務品質損害 (Quality of Service Harm)**：AI 對某特定群體的辨識度或服務效果特別差（如人臉辨識無法辨識深色皮膚）。減少此損害的方法是 **「提高 AI 的數據多樣性」**。
:::

:::danger
🔥 **實戰考點補充**：公平性測試方法
- 評估 AI 公平性通常透過 **「群組公平 (Group Fairness) 方法」**。
- 若要精確測試 AI 是否在不同群體中公平運作，可使用 **「反事實假設狀況 (Counterfactual testing)」**（例如：將履歷上的性別由女性改為男性，測試 AI 的篩選結果是否改變，若改變則代表模型存在性別偏見）。
:::

### 05-03. 生成式 AI 的三大核心模型
**核心論點**：生成式 AI 模型透過複雜的概率與迭代優化，在無標記數據下也能有效增強數據集。

**關鍵細節**：
1. **生成對抗網路 (GAN)**：由「生成器 (創造假數據)」與「鑑別器 (區分真假)」組成，透過動態對抗學習共同進步（如 StyleGAN 生成人臉）。**缺點**：訓練極不穩定，易出現「模式崩潰 (Mode Collapse)」。
2. **變分自編碼器 (VAE)**：包含編碼器 (將數據壓縮到低維的**隱變量空間 Latent Space**) 與解碼器 (從隱變量空間重建數據)。引入隨機變量與正則化，適合平滑過渡與異常檢測。
3. **擴散模型 (Diffusion Models)**：訓練階段逐步向數據「添加隨機雜訊 (變為高斯分佈)」，生成階段透過反向過程「逐步去除雜訊」重建真實感數據。極度擅長高品質/高解析度圖像生成。

:::success
💡 **舉例/比喻**：
* **GAN**：就像「偽鈔集團（生成器）」與「警察（鑑別器）」的博弈。偽鈔做得越真，警察辨識能力越強，最後產出的偽鈔（生成的圖片）幾可亂真。
* **擴散模型**：像是在一塊充滿雜質的泥塊（充滿雜訊的畫布）上，雕刻家一刀一刀把多餘的泥土刮掉（反向去噪），最後呈現出精美的雕像。
:::

### 05-04. 鑑別式與生成式的整合應用 (協同應用)
**核心論點**：整合兩者能突破單一技術瓶頸，實現數據增強、多模態融合與即時回饋，是 AI 未來發展的關鍵趨勢。

**關鍵細節**：
- **整合應用的三大價值**：
1. **數據增強與協同**：生成式 AI 創造稀缺數據（如罕見病理影像、極端氣候的金融交易），提供給鑑別式 AI 訓練，大幅提升模型泛化 (Generalization) 效能。
2. **多模態數據處理**：生成式 AI 負責跨模態轉換與生成（如語音轉生動文字），鑑別式 AI 負責精確分類與語意分析（確保互動準確性）。
3. **提升泛化能力**：在教育領域，GAI 模擬各種學生學習行為，DAI 據此分析並制定個人化方案；在智慧城市，GAI 模擬災難場景，DAI 預測風險並部署。
- **技術優勢與實務案例**：
1. **數據生成與判斷融合**：工業異常檢測中，GAI 先模擬潛在的機器故障數據，DAI 再即時識別並標記異常。
2. **即時分析與動態回饋**：自動駕駛中，GAI 即時模擬濃霧/冰雪路面，DAI 根據模擬數據進行環境識別與路徑規劃。
3. **系統靈活性**：智慧客服中，GAI 生成多樣化回應，DAI 擔任「守門員」過濾不當內容與品質檢測。
- **整合面臨的挑戰與解法**：
1. **訓練不穩定**：GAI 的梯度消失與模式崩潰，可透過採用 **Wasserstein GAN (WGAN)** 等改進型模型與自適應優化技術解決。
2. **數據偏差與公平性**：GAI 可能放大訓練偏差，需在生成過程中引入「去偏演算法」與嚴格審核機制。
3. **架構設計**：需採用「分層架構」分別處理生成與分類任務，並透過共享層進行即時資訊交換。

<br>

## 06. AI 治理、資安與 MLOps (負責任的 AI)
**核心論點**：隨著 AI 深入關鍵決策，確保系統的公平性、透明性、安全性與合規性成為企業導入的首要任務。

**關鍵細節**：
- **AI 治理與風險分級**：風險處理策略：企業若將資料管理與運算外包給雲端供應商，在風險管理上屬於 **「風險轉移 (Risk Transfer)」**。

:::danger
🔥 **實戰考點補充**：歐盟《人工智慧法》(AIA)
風險等級應在設計階段預先評估並持續監控。若 AI 應用涉及 **「社會信用評分（依特徵評定信用）」或「公眾場所的遠程生物辨識系統（執法監控）」，引發重大隱私關注，此類屬於最高等級的「不可接受風險 (Unacceptable Risk)」**。
:::

- **公平性與負責任的 AI (Responsible AI)**：
1. **責任歸屬**：AI 系統的開發者需對 AI 系統的行為負責。在企業內部，通常由資料科學家 (Data Scientist) 使用公平性評估元件來評估模型。
2. **經濟領域目標**：負責任 AI 在經濟層面的重要目標之一是 **「確保公平競爭」**。
3. **不公平處置機制**：若已部署的 AI 模型被發現對不同族群預測結果有顯著差異（如金融業），依據指引應立即 **「啟動人工覆核與調整機制，並持續監控族群間預測效果」**。

- **資安與營運管理**：MLOps (機器學習營運)
結合開發與維運的實踐，其主要目標之一是 **「提升 AI 系統的透明度與可追蹤性 (Transparency and Traceability)」**，確保模型生命週期的穩定與合規。

<br>

## 🎯 總結 (Key Takeaways)

**關鍵術語表**：
1. **監督式學習 (Supervised Learning)**：使用帶有標記的數據來訓練模型，學習輸入與輸出間映射關係的技術。
2. **生成對抗網路 (GAN)**：由生成器與判別器組成，透過對抗式學習不斷優化，以生成逼真新數據的深度學習模型。易面臨「模式崩潰」挑戰。
3. **擴散模型 (Diffusion Models)**：透過正向添加雜訊與反向去除雜訊的過程，來生成極高品質影像的生成式技術。
4. **過擬合 (Overfitting)**：模型在訓練數據上表現極佳，但因為過度學習了雜訊，導致面對全新測試數據時預測能力大幅下降的現象。

**總結**：從數據清洗到模型訓練，人工智慧正從專注於分類預測的「鑑別式 AI」邁向具備創造力的「生成式 AI」，兩者的融合將大幅擴展 AI 解決複雜問題的邊界。