本簡報以 16:9 橫向為主
請旋轉手機
或改用平板 / 桌機觀看
上半場：弄懂兩種 AI 的差異，看到題目就能直覺判斷流派。
下半場：在拖拉與寫程式之間，找到屬於自己的工具光譜。
看到「分類、辨識、預測」——鑑別式。 看到「生成、合成、創作」——生成式。 這場考試，七成題目這樣就解出來。
Stage 3 不是要你背模型內部結構，
是要你在 4 秒內判斷「題目在問哪個流派」。
不是「聽過名詞」，是「看到題目秒選對」。
鑑別式 AI 是 CH3 機器學習的延伸——舊朋友換新名字。
生成式 AI 是這場認證的考試重心，也是真正的時代分水嶺。
學的是 P(y｜x)：給定輸入 x，推算標籤 y。輸入是已存在的資料，輸出是標籤或數字。
關鍵動詞：判斷、分類、辨識、預測。
學的是 P(x,y) 或 P(x)：學整個分佈，能生出新樣本。輸入是提示，輸出是從未存在過的內容。
關鍵動詞：生成、合成、創作、撰寫。
Gmail 把廣告信丟垃圾匣
鑑別式 · 在分類既有的信件
ChatGPT 幫你寫產品文案
生成式 · 在創作新文字
銀行 AI 判斷是否盜刷
鑑別式 · 在判斷交易類別
Midjourney 畫太空人騎馬
生成式 · 在創作新圖像
自駕車辨識前方是行人還是路樹
鑑別式 · 在辨識物體類別
Suno 幫你寫一首歌
生成式 · 在合成新音樂
CH3 學過的監督式模型，幾乎全都歸在「鑑別式」。
它們的共同特徵：輸入是已存在的資料，輸出是標籤或數字——不會「無中生有」。
不必懂內部數學，認得名字、知道對應的工具，就能解大半題。
生成器＝假鈔小偷，努力造出像真鈔的假鈔。
鑑別器＝警察，努力分辨真假。
兩邊互相對抗 → 警察愈會抓 → 小偷愈會造 → 最後生出以假亂真的內容。
正向擴散（訓練）：把清晰圖一步步加雜訊，直到變成完全的雜訊。
反向擴散（生成）：從雜訊開始，一步步去噪，最後還原成清晰圖。
能同時處理文字 + 圖片 + 聲音 + 影片等兩種以上資料形式的 AI。
題目情境提到「至少兩種以上資料形式」就是多模態。
NLP 是「自然語言處理」的總稱，裡面同時包含鑑別與生成兩類任務——這正是 S1-Q30 的陷阱來源。
S1-Q30 陷阱：語意分析的舞台是情感分析、意圖辨識，不是「語音識別 + 機器翻譯」。要把整句讀完。
單一派系常常不夠用。組合起來，能解決「資料不夠、場景太多變、即時回饋」這類問題。
AI 民主化的第一道門，是讓非工程師也能組工具。
但門開了之後，企業要面對的下一道題是「公司裡到底有多少私造系統」。
使用者有技術背景嗎？
沒有 → NC；有一些 → 都可。
平台模板能做到嗎？
是 → NC；否、需客製邏輯 → LC。
未來規模會長大嗎？
不會 → NC 夠用；會 → LC 留後路。
按 Space 或 → 一格一格揭示，模擬講師現場推演。
正因為 NC/LC 太好上手，業務部、行銷部、HR 都能自己拉一個系統出來。
公司資料管理就此失控——這不是 BUG，是「民主化」沒搭配治理的代價。
ETL = Extract + Transform + Load。
白話：把資料從「這裡撈出來 → 整理乾淨 → 送到那裡」。
簡單流程 → NC 足夠；
複雜處理 → LC 加減湊；
超大規模或精細邏輯 → 還是要傳統 ETL 工程。
病歷生成、預約系統、門診流程自動化
產線監控儀表板、品質回報、SOP 數位化
風險評估、客戶 onboarding、合規報表
個人化行銷、庫存自動補貨、回饋蒐集
教材生成、個人化學習路徑、測驗系統
虛擬客服、自動回應、客訴分類分派
生成式 AI 應用領域與工具使用
5 大領域實際應用 · 主流工具操作 · 提示工程基礎
生成式 AI 導入評估規劃
4 階段導入流程 · POC 與 ROI · 風險管理 6 策略
你已經分得清流派、選得出工具。
下一站，把這套判斷力放到真實企業的導入流程裡。