D.2 科目一核心精要:人工智慧基礎概論
學完本節,你能夠:
- 區分強/弱 AI、三大學派,並說出 AI 治理的主要原則。
- 依資料型態選對集中趨勢與離散指標,並用 IQR 找出離群值。
- 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」:
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
- 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。
- 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。
- 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。
- 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
- 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?
- 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。
- 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?