D.2 科目一核心精要:人工智慧基礎概論

學完本節,你能夠:

  1. 區分強/弱 AI、三大學派,並說出 AI 治理的主要原則。
  2. 依資料型態選對集中趨勢與離散指標,並用 IQR 找出離群值。
  3. 辨認監督式、非監督式、強化學習,以及鑑別式與生成式 AI 的差別。

本節對應 iPAS 初級科目一的四個評鑑主題(L111–L114)。內容為作者整理,細節請以官方學習指引為準。


壹、開場情境:一個平均數騙了業務經理

📌 以下為教學情境。

某外貿公司有 7 家海外經銷商,去年採購額(萬美元)如下:

3, 4, 5, 5, 6, 8, 400

業務經理在週報寫:「經銷商平均採購 61.6 萬美元。」但 7 家裡有 6 家都不到 10 萬。最後一家是跨國大客戶,一家就把平均數拉高了十倍以上。

指標 算法 結果
平均數 431 ÷ 7 61.6
中位數 排序後第 4 個 5
去掉 400 改成 9 後的平均數 40 ÷ 7 5.7

這就是科目一的典型考法:不考你會不會算,考你知不知道該用哪個指標。 以下依四個評鑑主題整理。


貳、L111 人工智慧概念

1. AI 的定義與分類

分類 說明 例子
弱 AI(Narrow AI) 只在特定任務上表現出解題能力 垃圾郵件過濾、AlphaGo、目前的大型語言模型
強 AI(Strong AI / AGI,通用人工智慧) 具有類似人類的跨領域理解與推理能力 目前尚未實現

2. 三大學派

學派 核心想法 代表技術 優點 限制
符號主義 用符號與邏輯規則表示知識並推理 專家系統、知識庫 推理過程可解釋 難處理影像、語音等感知資料;規則難以窮舉
連結主義 模仿神經元連結,從資料學習 類神經網路、深度學習 擅長辨識複雜模式 黑盒子,不易解釋
行為主義 透過與環境互動、依回饋調整行為 強化學習、機器人控制 能在動態環境中學習 需要大量試誤

3. AI 治理的主要原則

原則 要求 商業情境
可解釋性(XAI) 能說明 AI 為什麼做出這個決定 拒絕貸款時,要能說明主要原因
透明性 揭露使用者正在與 AI 互動,以及系統的用途與限制 客服機器人標示「我是 AI 助理」
公平性 避免因訓練資料偏差而對特定族群產生系統性歧視 招募篩選模型不能因性別扣分
安全與穩健 能抵抗惡意輸入,異常時安全降級 防範提示注入(第 9.3 節)
問責性 明確界定出錯時由誰負責 加航聊天機器人案:企業須為官網上的 AI 回答負責(第 13.3 節)

參、L112 資料處理與分析概念

1. 資料類型

類型 特徵 例子
結構化 固定欄位,可直接放進表格 試算表、資料庫訂單表
半結構化 沒有固定表格,但有標記可解析 JSON、XML、HTML
非結構化 沒有預先定義的格式 PDF 合約掃描檔、客服錄音、商品照片

業界常見的估計是企業資料中非結構化資料佔大多數,這也是生成式 AI 在企業中特別有用的原因之一。

2. 兩種分析取向

探索性資料分析(EDA) 驗證性資料分析(CDA)
出發點 還沒有明確假設,先看資料 已有明確假設
工具 摘要統計、圖表(直方圖、箱形圖、散佈圖) 假設檢定、p 值、信賴區間
例子 「各國經銷商的採購額分布長什麼樣子?」 「促銷活動後平均訂單金額是否顯著提高?」

兩者相輔相成:通常先 EDA 找線索,再用 CDA 驗證。

3. 敘述統計:什麼情況用什麼指標

用途 指標 定義 何時用
集中趨勢 平均數 總和 ÷ 個數 資料大致對稱、沒有極端值
集中趨勢 中位數 排序後正中間的值 偏態分布或有極端值(所得、房價、採購額)
集中趨勢 眾數 出現次數最多的值 類別資料(最熱銷的尺寸)
離散程度 全距 最大值 − 最小值 快速看跨度,但極易受極端值影響
離散程度 四分位距(IQR) Q3 − Q1 看中間 50% 資料的分散程度;箱形圖的基礎
離散程度 標準差 各資料與平均數差距平方的平均,再開根號 品質管理的製程變異、匯率波動

用開場資料算一次 IQR 與離群值界線(以常見的線性內插法計算百分位數):

Q1 = 4.5,Q3 = 7.0,IQR = 7.0 − 4.5 = 2.5
下界 = Q1 − 1.5 × IQR = 0.75
上界 = Q3 + 1.5 × IQR = 10.75
→ 400 超過上界,被判定為離群值

💡 不同軟體計算四分位數的方法略有差異,數值可能稍有不同,但判斷結論通常一致。

4. 資料隱私與安全

名詞 做法 可否還原
去識別化 總稱:處理資料使其無法直接或間接識別特定個人 視方法而定
假名化 把姓名換成代碼(如 USER_8819),對照表另外保管 可(持有對照表者)
匿名化 移除或處理到無法再識別個人 不可
差分隱私 在統計查詢結果中加入經數學設計的雜訊,使「有沒有某個人」幾乎不影響結果 無法從結果反推個人

肆、L113 機器學習概念

1. 基本原理

機器學習是讓電腦從資料中學出規則,而不是由人把規則寫死。一個常見的拆法是三個要素:

資料(Data)+ 模型(Model)+ 學習演算法(用來最小化損失函數)

訓練的過程,就是用演算法不斷調整模型參數,讓「預測值與正確答案的差距」(損失函數)越來越小。最常見的調整方法是梯度下降:計算損失對每個參數的梯度(斜率),往讓損失下降的方向小步調整。

2. 三種學習方式

學習方式 訓練資料 目標 常見模型 商業例子
監督式 有輸入 X 與標準答案 Y(標籤) 學會從 X 預測 Y 線性迴歸(預測數值)、邏輯迴歸(分類)、決策樹、隨機森林、SVM 預測下月營收、盜刷偵測
非監督式 只有 X,沒有標籤 找出資料本身的結構 K-Means 分群(K 為群數)、主成分分析 PCA(降維) 客戶分群
強化學習 環境狀態與獎勵訊號 學會讓累積獎勵最大的行動策略 Q-Learning、PPO 動態定價、庫存調度(第 14.1 節)

⚠️ 易混淆:「異常交易偵測」若有標註好的詐欺樣本,是監督式;若沒有標籤、只找「跟大家不一樣」的交易,是非監督式。看的是有沒有標籤,不是應用名稱。

3. 訓練時的兩個典型問題

現象 症狀 常見原因 對策
過擬合(Overfitting) 訓練集表現很好,測試集明顯變差 模型太複雜、資料太少 增加資料、正則化(L1/L2)、簡化模型、提早停止;用交叉驗證檢查與挑選模型
欠擬合(Underfitting) 連訓練集都表現不好 模型太簡單、特徵不足 增加有用特徵、改用較複雜的模型

伍、L114 鑑別式 AI 與生成式 AI

1. 基本原理

鑑別式 AI 生成式 AI
學什麼 條件機率 P(Y|X):給定輸入,屬於哪一類 資料本身的分布 P(X) 或聯合分布 P(X, Y)
回答的問題 「這是什麼?」 「產生一個像這樣的新東西」
常見模型 邏輯迴歸、SVM、用於分類的 CNN GAN、VAE、擴散模型、以 Transformer 為基礎的大型語言模型
商業例子 垃圾郵件分類、信用評分 撰寫信件草稿、生成商品圖
主要風險 只能判斷,不能產生新內容 可能產生「幻覺」:看似合理但錯誤的內容

💡 Transformer 是一種架構,不只用於生成。例如 BERT 也是 Transformer,但常用來做分類(鑑別式任務)。考題問「架構」時,要看它在題目情境中被用來做什麼。

2. GAN:把兩者放在同一個系統裡

生成對抗網路(GAN)由兩個部分組成:生成器負責產生假樣本,鑑別器負責分辨真假。兩者互相對抗,生成器因此越做越逼真。

3. 整合應用:生成式產出、鑑別式把關

企業實務中常見的組合是「生成式 AI 負責產出草稿,另一個檢查機制負責把關」:

flowchart LR R["業務需求"] --> G["生成式 AI
產出合約草稿"] G --> J["檢查機制
分類器、規則或另一個模型評分"] J -->|"不通過,附上原因"| G J -->|"通過"| H["人工覆核後發布"]

本書第 5.5 節的 LLM-as-a-Judge、第 9.3 節的輸出雙重校驗,都是這個思路的應用。注意最後一步仍保留人工覆核:檢查機制能降低錯誤,但不能保證百分之百正確。


陸、本節小結

  1. L111:目前的 AI 都是弱 AI;三大學派是符號、連結、行為;治理原則包含可解釋、透明、公平、安全、問責。
  2. L112:有極端值用中位數;IQR = Q3 − Q1,超出 Q1 − 1.5×IQR 或 Q3 + 1.5×IQR 視為離群值;假名化可還原、匿名化不可還原。
  3. L113:有標籤是監督式、無標籤是非監督式、靠獎勵是強化學習;訓練好、測試差是過擬合。
  4. L114:鑑別式學 P(Y|X) 做判斷,生成式學資料分布做產出;GAN 是兩者對抗的經典架構。

柒、練習

  1. 改數字(5 分鐘):把開場資料的 400 改成 12,重新計算平均數、中位數、IQR 上界。12 還算離群值嗎?
  2. 分類判斷(20 分鐘):以下各是哪種學習方式?(a) 用過去三年已標註「是否流失」的客戶資料預測流失;(b) 把 5,000 位會員依購買行為分成 4 群;(c) 讓系統在模擬市場中反覆調整報價,以累積利潤為獎勵。
  3. 管理反思(討論):銀行用一個準確率很高但無法解釋的模型拒絕貸款申請。從可解釋性與問責性兩個原則出發,你會要求供應商補上什麼?

國立臺中科技大學 國際貿易系 / 企業管理系 專用教材

《現代軟體工程:商學院的 AI 系統思維與 Agent 實踐》

作者:陳俊智 博士 Dr. Chun-Chih Chen

本書章節架構改編自陳鍾誠教授(金門大學)開源課程《現代軟體工程》(github.com/ccc115a/se,MIT 授權),內容針對商學院全面改寫與擴充。