← → 翻页 · ESC 索引
iPAS AI 應用規劃師初級研習 · 弄一下工作室
Stage 04 / 05
Stage Four · 6 hours · 2 chapters

應用工具 ╳ 導入規劃

從 Prompt 到 KPI,把生成式 AI 真的落地

Stage 1-3 把概念基礎打底完。
Stage 4 兩章把「會用工具」與「能評估導入」一次接上

Vol.04·Prompt · Diffusion · KPI · Risk · Zero-Trust·2026
Duration · 6 小時授課 · 2 章 · Stage 4 / 5
iPAS AI 初級認證 · 第四階段
— S04 / 05 —
The Premise · Stage 4 主張
02 / 26
Stage 4 · 兩章一句話
會用工具, 不等於真的把 AI 導入企業

CH6 教你「寫對 Prompt、選對工具、避開幻覺」。
CH7 教你「先定 KPI、控好風險、規劃完整導入動線」。

— Stage 4 核心命題·從應用到規劃
Page 02 · The Premise
— · —
Stage 4 · Learning Outcomes
03 / 26
OUTCOMES · 學完後你能做到

三件事

不是「聽過名詞」,而是「答得出題、用得上工具」。

Outcome 01
寫對 Prompt
能用「角色 + 任務 + 格式 + 範例」4 元素寫出可重現的提示詞,並判斷該設高溫還是低溫。
Outcome 02
分清類別
看到工具或情境(DALL-E、客服、文字+圖+影),能對應到 10 大類別 + Diffusion / 多模態。
Outcome 03
寫導入報告
能用 6 步驟 + 風險四象限 + Zero-Retention,為假想企業寫出 7 段導入評估報告。
Page 03 · 學習目標 · 6 hours
2 Chapters · Stage 4
第一幕 · 應用工具
Act I · 04 / 26
Act I · CH6 · 3 hr

會問,才會用

生成式 AI 應用領域與工具 · CH6

10 大類別、Temperature、Diffusion、Prompt 4 元素、CoT、幻覺、TTQA。
這一幕的目標:學員回辦公室就能把工具用到位

Act I · CH6 開幕
— 對應 15 道考題 —
Layered Reading · 雙軌守則
05 / 26 講義 · CH6
Why Two Tracks · 為什麼要分層

主線 + 補充,雙軌分層

本章名詞密集(Temperature、Top-k、Diffusion、CoT……)。能在情境分辨「該設低溫還是高溫」「這是不是幻覺」就夠了,不必背公式。

主線 · 考試必懂
  • Temperature 高低 = 保守 vs 創意
  • Prompt 4 元素:角色 + 任務 + 格式 + 範例
  • Hallucination = 一本正經胡說八道
  • Diffusion = 從雜訊去噪畫圖
  • 多模態 = 文字 + 圖 + 影一起處理
補充 · 想多懂才看
  • Top-k / Top-p 採樣演算法
  • Tokenization、向量化、Self-Attention
  • RLHF 訓練流程、vLLM 加速
  • 反向擴散公式、U-Net 架構
  • CLIP 對比學習原理
Page 05 · 主線 vs 補充
CH6 · (01)
10 Categories · AI 文具店分區
06 / 26 講義 · CH6
Tools Map · S2-Q8 / Q22

生成式 AI 工具 10 大類別

不要求記名字,要求分得出哪個工具做哪類事

1 · 聊天 / 語言助理
ChatGPT、Claude、Gemini — 文字對話、摘要、問答
→ S2-Q8 客服
2 · 搜尋 + 問答
Perplexity、Notion AI — AI 幫你查 + 整理資料,附來源
幻覺率較低
3-4 · 文字 / 翻譯
Jasper、Sudowrite、DeepL、Grammarly — 廣告文案、翻譯、文法校正
日常生產力
5 · 影像生成
DALL-E 3、Midjourney、Stable Diffusion — 文字 → 圖片、插圖
→ S2-Q22 圖像
6-7 · 影片 / 語音
Synthesia、Runway、Sora、ElevenLabs、Suno — 文字 → 影片、配音、配樂
多模態素材
8-10 · 自動化 / 程式 / 視覺
Zapier、n8n、GitHub Copilot、Tabnine、OpenCV — 串流程、寫程式、辨物件
企業整合
Page 06 · 10 Categories
CH6 · (02)
General vs Reasoning · 兩種 LLM 體質
07 / 26 講義 · CH6
2024 起市場分裂 · S2-Q2 必考

一般模型 vs 推理模型

一般模型 · 秒答型

看到問題直接生

  • GPT-5、Claude 4、Gemini 3
  • 強項:對話、文案、翻譯
  • 適用:日常溝通
  • 比喻:快問快答的同事
推理模型 · 先想再答

內部白紙算一遍

  • OpenAI o1 / o3 系列
  • 強項:數學、程式、多步推理
  • 適用:科學分析、複雜決策
  • 比喻:先在白紙上算的會計師
S2-Q2 陷阱:「採用強化學習」不是推理模型獨有特徵 — RLHF 一般模型也用。獨家特徵是「多步推理 + 可解釋」。
Page 07 · S2-Q2
CH6 · (03)
Temperature · 保守 vs 創意旋鈕
08 / 26 講義 · CH6
The Knob · S2-Q33 必考

Temperature = AI 的酒量

0.1 完全沒喝,講話保守規矩;1.2 喝了點,開始口無遮攔講創意。

低溫 · 0.1–0.3
保守穩定
每次回答幾乎一樣,可預測。
法律 · 財務 · 邏輯推理
中溫 · 0.5–0.7
適度創意
合理性 + 適度變化,均衡。
一般對話 · 文章寫作
高溫 · 1.0–1.2
多樣發散
每次都不一樣,充滿創意。
創意發想 · 詩詞 · 廣告腦暴
S2-Q33 記法:題目關鍵字「邏輯清晰、準確、一致」→ 直接對應低溫 0.1–0.3
Page 08 · Temperature
CH6 · (04) · S2-Q33
Diffusion Model · 圖像生成主流
09 / 26 講義 · CH6
S2-Q11 / Q13 · 兩題必考

圖像生成主流:Diffusion

DALL-E、Midjourney、Stable Diffusion 都是 Diffusion 家族。
白話:從一張完全隨機的雜訊,慢慢去噪還原成清晰圖。

兩個比喻記一輩子:
① 「拍立得反向版」— 拍立得從模糊顯影成清晰;Diffusion 從雜訊去噪成清晰。
② 「考古學家清化石」— 一層層刷掉泥土(雜訊),讓圖案浮現。
生成式(正向選項)
  • Diffusion — DALL-E 2 / Midjourney
  • GAN — 早期生成(已被取代)
  • VAE — 變分自編碼器
  • Autoregressive — GPT 系列
鑑別式(陷阱選項)
  • CNN — 影像分類,看圖辨識
  • VGG — CNN 經典架構(≠ 生成式)
  • NLP — 處理文字
  • SVM — 分類器
Page 09 · Diffusion
CH6 · (05) · VGG 別誤認
Multimodal · 多模態應用
10 / 26 講義 · CH6
S2-Q20 / Q15 · 多模態與順序題

多模態模型 + 個人化順序

多模態= 同時能處理「文字 + 圖 + 影 + 聲」多種資料類型。
記法:題幹同時出現「文字」「圖片」「影片」→ 一律選多模態

S2-Q15 個人化學習正確順序 d → a → b → c:
先有教材(d 課綱)→ 再認學生(a 特徵)→ 對症下藥(b 練習題)→ 畫地圖(c 整體計畫)。
心法:「先有教材 → 再認人 → 再生成 → 再規劃」。
GPT-5.5
OpenAI · 看圖 + 聽聲 + 寫字一起來
multimodal
Gemini 3 Pro
Google · 多模態強項,文字 + 圖像 + 影片
multimodal
Claude 4.1
Anthropic · 看圖 + 文字處理
multimodal
CLIP
OpenAI · 文字 ↔ 圖片配對辨識
配對
Page 10 · Multimodal
CH6 · (06) · S2-Q20 / Q15 / Q16
Prompt Engineering · 4 元素結構
11 / 26 講義 · CH6
The Recipe · 點奶茶下單法

Prompt 4 元素

角色(跟誰說)+ 任務(要什麼)+ 格式(怎麼包)+ 範例(像哪杯)。
含 4 元素的 Prompt,AI 像「拿著清楚 SOP 的店員」— 不會給你奇怪的奶茶

Four Elements · 順序與例子
01 · Role
角色 — 你是誰
告訴 AI 它是誰、用什麼身份回答。例:「你是一位資深財務顧問」
02 · Task
任務 — 做什麼
清楚說明要做什麼。例:「請分析這份年報的營收趨勢」
03 · Format
格式 — 怎麼包
指定長度、形式、語言。例:「條列 5 點,每點 ≤ 30 字」
04 · Example
範例 — 像哪杯
給「像這個」的參考。例:「Q3 毛利率下降 3%,主因原料成本上升」
S2-Q21:「精準有架構的問題 → 結構化答案」是 Prompt Engineering 的教科書定義。
→ 按 → 鍵或滾輪逐步點亮
Page 11 · Prompt 4 元素
CH6 · (07) · 互動式翻頁
CoT & Hallucination · 思維鏈與幻覺
12 / 26 講義 · CH6
S2-Q6 / Q30 / Q14 · 三題

讓它一步步想,別讓它胡說八道

CoT · 思維鏈提示

引導 AI「一步一步想」再給答案,提升邏輯題準確率。

觸發關鍵字:

  • 「請詳細列出每一個思考步驟」
  • 「Let's think step by step」
  • 「先分析 X,再分析 Y,最後綜合 Z」
Hallucination · 幻覺現象

AI 一本正經地胡說八道 — 文字通順專業,但內容是虛構的。

真實案例:

2023 美國律師用 ChatGPT 寫訴狀,引用 6 個「看似真實」的判例 — 全部編造,被法院罰款。

避免幻覺四招:① 要求標註來源 ② 重要事實人工查證 ③ 用 Perplexity 等搜尋型 AI ④ Zero-Retention + RAG(CH7 詳講)
Page 12 · CoT & Hallucination
CH6 · (08) (09)
TTQA · 台灣本土 LLM 評測
13 / 26 講義 · CH6
S2-Q34 / Q17 · 台灣本土 + 教育規範

TTQA + 台灣本土 LLM

國外 LLM 對台灣在地知識(台語、台灣歷史、台灣法規)回答常出錯。
記法:看到「台灣本土 + LLM 評測」→ TTQA

TAIDE
國科會 · 臺灣可信任生成式 AI 國家計畫,本地 LLM
2026-02 釋出 12B
TWCC 台智雲
國家高效運算 · 福爾摩沙大模型,國家級 AI 雲端
RAP 平台
FoxBrain
鴻海研究院 · 自研繁中推理 LLM,數學 / 推理優化
70B v1.2
Yushan AI
玉山金 · 商用案例
繁中
S2-Q17 教育規範:所有「治理 / 規範 / 倫理」題目,「平衡 + 訂規範」永遠是正解,極端化(全禁 / 全放)都是錯。
Page 13 · TTQA
CH6 · (10) · CH6 收
第二幕 · 導入評估規劃
Act II · 14 / 26
Act II · CH7 · 3 hr · 整門課最終實務章

先目標,後行動

生成式 AI 導入評估規劃 · CH7

6 步驟、KPI、GPU/雲端、跨境傳輸、Zero-Retention、風險四象限、POC、漂移、導入報告。
把 CH1-CH6 串成一條可執行的動線

Act II · CH7 開幕
— 對應 13 道考題 —
AI Project · 6 步驟
15 / 26 講義 · CH7
The Backbone · 章節主軸

AI 專案 6 步驟

第一步永遠是「明確定義導入目標 + KPI」
iPAS 最高頻考點 — 所有「導入 AI 第一步該做什麼」正解都是這個

6 Steps · 比喻為「裝潢房子」
01 · KPI ⭐
問題定義
明確商業問題、設定 KPI。比喻:想要什麼風格 + 預算 + 住幾人
02 · Data
資料蒐集與清理
找資料、ETL、處理隱私。比喻:量空間、選建材
03 · Train
模型設計與訓練
選模型、訓練、調參。比喻:真的開始裝潢
04 · POC ⭐
模型評估與驗證
POC、A/B test、偏差檢測。比喻:完工檢查、看樣品屋
05 · Drift ⭐
部署與監控
上線、Data Drift 偵測、自動重訓。比喻:入住、發現問題隨時修
06 · Spread ⭐
持續優化與回饋
收回饋、迭代、AI 價值擴散。順序 B→C→A
S2-Q35 / S2-Q29:看到「導入第一階段」一律選「目標 + KPI」;實施階段順序「先穩自己再幫別人」= B 上線 → C 監控 → A 擴散
Page 15 · 6 Steps
CH7 · (02) · S2-Q35 / Q29
KPI · 模糊 vs 可量化
16 / 26 講義 · CH7
From Vague to Measurable · 第一步落地

把 KPI 從模糊改成可量化

KPI 至少要有數字、方向、時間或門檻
「變好」不是 KPI;「從 A 降到 B」才是 KPI。

客服
提升客服效率 → 首次回應 < 30 秒;轉接率 -20%;CSAT ≥ 4.5
3 條
行銷
提升貼文成效 → 每週 10 篇草稿;CTR ≥ 3%;製作時間 -50%
3 條
內部 KM
新人更快上手 → 查 SOP 平均 < 2 分;重複問主管 -30%
2 條
業務
提升提案品質 → 初稿時間 3hr → 45min;成交率 +10%
2 條
製造
降低瑕疵 → 漏檢 < 0.1%;停機 -20%;人工檢查 -40%
3 條
Page 16 · KPI Conversion
CH7 · (02)
IT Stack · 加速器 + 雲端三層
17 / 26 講義 · CH7
S2-Q19 / Q25 · IT 環境支援

CPU 通用 · GPU 並行 · TPU 矩陣 · NPU 邊緣

口訣記四個加速器,再記雲端三層「蓋房比喻」。

CPU · 通用
什麼都能做但 AI 計算慢,一般辦公用途
baseline
GPU · 並行
AI 訓練主力,深度學習 / 推理
主力
TPU · 矩陣
Google 自研,TensorFlow / 大型 LLM 優化
Google
NPU · 邊緣
手機 / 邊緣裝置即時推論。iPhone Face ID、車載 AI
edge
IaaS / PaaS / SaaS
租地自建 / 租毛胚屋裝潢 / 租精裝公寓直接住 — AWS EC2 / Heroku / ChatGPT
蓋房
S2-Q25 陷阱:「NAS + 大檔案 + GPU 利用率僅 20-30%」= I/O 瓶頸,GPU 跑得太快、硬碟餵不及。
Page 17 · IT Stack
CH7 · (03) · S2-Q19 / Q25
Cross-Border · 個資跨境傳輸
18 / 26 講義 · CH7
S2-Q9 · 個資法第 21 條

跨境傳輸限制原因

白話:客戶個資要傳到國外(AWS、Google Cloud),政府會看「對方國家的個資法夠不夠保護」。

S2-Q9 正解(D):主管機關限制跨境傳輸的典型情境 = 「接收國家個資保護法規不完備、可能損害當事人權益」。
陷阱選項:(A) 公司規模、(B) 公司外洩紀錄、(C) 已公開資料 — 都是「企業內部問題」不是政府限制原因
個資法
台灣 · 跨境傳輸限制(第 21 條)
2025 修法
歐盟 AIA
四級風險分類、高風險強制 DPIA
2026-08 執法
GDPR
歐盟 · 被遺忘權、資料匿名化要求
持續
主權 AI
國家自己掌握 AI 基礎設施、資料與模型 — TAIDE / TWCC 政策出發點
Sovereign
Page 18 · 跨境傳輸
CH7 · (04) · S2-Q9
Privacy & Security · 兩個 Zero
19 / 26 講義 · CH7
S2-Q18 / Q31 / Q26 · 三題必考

Zero-Retention vs Zero Trust

Zero-Retention · 不保留資料

用完就丟、不存、不訓練

  • OpenAI 企業版 API 預設 Zero-Retention
  • 解決:「我的資料會不會變成下一版 GPT 的訓練料」
  • 記法:「敏感資訊不被模型記憶」→ Zero-Retention
  • 對應 S2-Q18
Zero Trust · 永不信任、持續驗證

每次都重新驗證身份

  • 傳統:一次 VPN 通了整天放行
  • Zero Trust:每次存取每個系統重新驗證 + 設備合規檢查
  • 記法:「資安架構」→ Zero Trust(不是強化學習!)
  • 對應 S2-Q31 / Q26
Page 19 · Two Zeros
CH7 · (05)
Risk Matrix · 風險管理四象限
20 / 26 講義 · CH7
S2-Q27 / Q28 · 下雨天怎麼辦

風險管理 四象限

緩解 · MITIGATE
帶傘出門
採取行動降低發生機率或衝擊。風險可控時用。
轉移 · TRANSFER
買保險
外包給第三方。看到「外包 / 投保」→ 轉移
接受 · ACCEPT
準備毛巾
不做特別處理,準備備案。衝擊小或無法避免時用。
規避 · AVOID
不出門
完全不做這件事。衝擊太大、不可承擔時用。
S2-Q28 倫理風險:偏見 / 歧視 / 公平→ 一律歸倫理風險;系統中斷 = 營運風險;儲存成本上升 = 成本風險。
Page 20 · Four Quadrants
CH7 · (06) · S2-Q27 / Q28
POC & Drift · 偏差檢測 vs 漂移監控
21 / 26 講義 · CH7
S2-Q32 + 易混淆對比

POC 偏差檢測 + 漂移監控

S2-Q32 公平性 → 偏差檢測(Bias Detection)。壓力測試 = 容量;對抗性測試 = 防禦;延遲測試 = 反應時間 — 都不是公平性。
資料漂移 · Data Drift

輸入資料分佈變了。

  • 客戶平均年齡 35 → 45 歲
  • 新增「信用卡使用率」欄位
  • 記法:「分佈變」
概念漂移 · Concept Drift

輸入跟輸出的關係變了。

  • 月收 5 萬信用好 → 通膨後變 7 萬
  • 疫情後遠距族信用評分突然有效
  • 記法:「規則變」
Page 21 · POC & Drift
CH7 · (07) (08)
Take-home · 導入評估報告 7 段
22 / 26 講義 · CH7
Drill · 整門課最終實務練習

寫出一份導入評估報告

三選 1 情境(零售客服 / 製造瑕疵偵測 / 教育個人化),1500–2500 字 7 段。

  1. 問題定義 + KPI(SWOT + 2-3 個可量化 KPI)
  2. 資料蒐集規劃(資料在哪、有無個資、跨境風險)
  3. IT 環境選擇(GPU/TPU/NPU + IaaS/PaaS/SaaS)
  4. 隱私與資安(Zero-Retention + Zero Trust + 法規)
  5. 風險四象限(5 個風險 + 至少 1 倫理 + 1 營運)
  6. POC 設計(試點範圍、評估方法、偏差檢測)
  7. 部署與長期維運(B→C→A 順序 + 漂移偵測 + 重訓週期)
Output · 預期產出

一份報告:

・1500–2500 字(A4 1.5–2 頁)
・7 段都有寫
・KPI 至少 1 個可量化
・風險四象限至少用 3 種

完成 = 已具備初級評估規劃師核心能力。

Page 22 · 7-Section Report
CH7 · (12) · 整門課最終
Stage 4 收束 · The Closing
23 / 26
Closing · 帶走一句話

會用工具是起點 會評估導入是產業價值

Prompt / Diffusion / 多模態 / 6 步驟 / 風險四象限 / Zero-Retention
——這六組關鍵詞,會在 Stage 5(CH8 進階 + CH9 模擬考)整合驗收

Stage 4 完成·下一站 · Stage 5
Page 23 · Stage 4 Closing
— —
Cheat Sheet · Stage 4 看到題目想到
24 / 26
The Cheat Sheet · 28 題對應索引

Stage 4 速查卡

文字 + 圖 + 影
→ 多模態(不是強化學習、不是單模態)
S2-Q20
DALL-E / Midjourney
→ Diffusion Model(不是 CNN,不是 VGG)
S2-Q11 / Q13
邏輯清晰 / 準確 / 一致
→ Temperature 低溫 0.1–0.3
S2-Q33
看似專業但虛構
→ 幻覺現象(Hallucination) · 標註來源
S2-Q30 / Q14
導入第一步
→ 明確目標 + KPI(不是選技術、不是收資料)
S2-Q35
外包 / 投保 / 委託
→ 風險轉移(不是緩解、不是接受)
S2-Q27
敏感資訊不被記憶 / 資安架構
→ Zero-Retention / Zero Trust(不是強化學習!)
S2-Q18 / Q31
公平性驗證 / 跨境傳輸限制
→ 偏差檢測 / 對方國法規不完備
S2-Q32 / Q9
Page 24 · Cheat Sheet
CH6 + CH7 · 28 題索引
The Bridge · Stage 4 → Stage 5
25 / 26
One More Step · 銜接下一站
目標 行動 Stage 5 把這 6 章一次驗收。

Stage 5 = CH8 邁向中級 + CH9 模擬測驗 80 題。
Stage 4 的兩章是「把 AI 真的導入」的最後拼圖;下一階段把整門課做總體檢

— Stage 4 → Stage 5·iPAS 初級認證最後 4 小時
Page 25 · The Bridge
— · —
Stage 04 · End
26 / 26
To Be Continued

下一站 · Stage 5

Stage 5 · CH8 邁向中級 + CH9 模擬測驗 · 4 小時
把 Stage 1-4 的所有概念,用 80 題做總驗收

弄一下工作室·iPAS AI 應用規劃師初級研習 30hr·2026
Stage 04 完整收束
— Next · Stage 05 —