生成式AI應用與規劃 重點整理

核心概念

本科目（初級科目二「生成式 AI 應用與規劃」）依官方學習指引涵蓋三大主題：No Code / Low Code 概念、生成式 AI 應用領域與工具使用、生成式 AI 導入評估規劃。其主軸是：隨著 AI 迅速普及，No Code 與 Low Code 平台成為推動 AI 民主化（AI Democratization） 的重要力量——透過視覺化、拖放操作簡化開發流程，讓非技術背景的「市民開發者（Citizen Developer）」也能參與 AI 的創建與部署。而生成式 AI（Generative AI, GAI）自 ChatGPT 於 2022 年 11 月公開後掀起科技浪潮，徹底改變人類與機器互動方式，並廣泛應用於醫療、製造、金融、零售、教育、客服等各行各業。

對「AI 應用規劃師」而言，這一科最貼近實戰：要能理解 No Code / Low Code 的定位與優劣，熟悉生成式 AI 的技術架構（GAN、VAE、Transformer）與主流工具及提示技巧，並能依「準備 → 設計 → 驗證 POC → 實施／營運」流程，評估（需求、資源、ROI）、規劃（目標、資料、成本）並控管（資料隱私、倫理偏見、法規合規）一個生成式 AI 導入專案。

No Code / Low Code 概念

No Code / Low Code 的基本概念

定義。 依學習指引，No Code 平台透過視覺化介面和拖放操作，讓使用者「無需編寫程式碼」即可快速開發應用，特別適合非技術背景者用於快速原型設計或小型應用開發；Low Code 平台則結合視覺化開發工具與程式碼擴充功能，讓具技術背景的開發者在視覺化基礎上「透過少量程式碼」實現深度整合、客製化與複雜邏輯，特別適合中大型企業與需要高彈性的應用。

原理／運作。 兩者皆把常用功能封裝為可重用元件（網頁／行動介面、邏輯與流程），使用者用拖曳組裝取代手寫程式，消除或大幅降低程式設計需求。生成式 AI（如 ChatGPT、DALL-E）更進一步提升平台效能，實現自動化與智慧化開發。

具體例子（取自學習指引）。 生成式 AI 結合平台的六大應用：自動生成程式碼、模板設計優化、數據分析與決策、AI 驅動的 UI/UX 設計、自動化行銷文案生成、個人化 App 快速開發。指引也強調 TensorFlow、Keras 已推出視覺化介面，讓無程式經驗者也能建立機器學習模型。

常見陷阱。 No Code「完全不需撰寫程式碼」針對非技術使用者；Low Code「仍需少量程式設計知識」針對具基本技術者——勿把 Low Code 說成完全免寫程式（指引題目 1、5 即考此辨析）。

常考點：No Code 圖形化介面、Low Code 少量程式碼、市民開發者、AI 民主化

No Code / Low Code 的優勢與限制

優勢（學習指引「市場價值」三面向）。 平台的核心價值在於：降低開發成本（簡化流程、節省人力、提高資源運用效率）、縮短上市時間（即用型模組與 API、敏捷調整）、加速數位轉型（跨部門協作、靈活應對市場、導入 AI 與自動化）。它讓非技術人員也能參與開發，但不能完全取代專業技術人員（指引題目 2 的關鍵錯誤選項）。

限制與挑戰。 指引列出與生成式 AI 結合時的多重挑戰：模型準確性與可靠性（輸出錯誤、驗證機制不足）、資料隱私與安全（敏感資料洩漏、合規風險）、道德與倫理（虛假資訊、偏見歧視）、技術整合與平台適配（系統整合難度、效能優化）。

選平台 6 關鍵因素（指引）。 目標用戶與技術需求、功能與擴展性（系統整合能力、高度自訂性）、安全性與合規性（資料保護、權限管理）、成本與效益（TCO、ROI）、技術支援與社群資源、市場評價與案例。

克服挑戰 4 面向。 數據品質管理、模型效能評估、人機協作機制、安全防護與風險控管。

常見陷阱。 「功能與擴展性」的重點是技術整合能力與自訂性（指引題目 10），而非購買成本或市場評價；AI 民主化的挑戰是「過度依賴工具導致缺乏深層理解、模型偏差誤用」，不是「提供昂貴工具」（題目 6）。

常考點：降低成本／縮短上市／加速轉型、選平台六因素、整合能力與自訂性、不能完全取代技術人員

生成式 AI 應用領域與工具使用

生成式 AI 應用領域與常見工具

定義／原理。 生成式 AI 是人工智慧的核心領域，專注於透過深度學習與大數據集訓練來生成新內容，而非僅分析或辨識現有數據。其技術通常基於 生成對抗網路（GAN）、變分自編碼器（VAE） 以及 基於 Transformer 架構 的模型。技術架構含三層：深度學習網路（多層神經網路、自注意力機制）、訓練數據處理（數據清洗、標記化 Tokenization、向量化）、推理機制（溫度參數、Top-k 採樣、核採樣 Nucleus Sampling）。

應用領域與工具（取自學習指引）。 指引列出藝術與設計／內容創作、醫療與生物科技、教育與培訓、娛樂與媒體、產品設計與製造等領域，並點名工具：Midjourney（從文本生成藝術風格圖像）、DALL-E（文本生成高品質圖像）、Whisper（語音轉文字）、ChatGPT 語音模式、開源平台 Hugging Face。多模態整合（文字／圖像／語音／影片協同生成）與 AI 即服務（AIaaS，如 OpenAI API、Hugging Face Spaces） 是明顯趨勢。

常見陷阱。 生成對抗網路（GAN）是生成式 AI 的基礎技術之一，而決策樹、聚類、隨機森林不是（指引題目 6）；金融業應用是風險評估、投資組合、個人化投資建議，「自動化生成病歷」屬醫療領域（3.1 題目 7）。

常考點：GAN／VAE／Transformer、溫度與核採樣、Midjourney／DALL-E／Whisper／Hugging Face、多模態、AIaaS

如何善用生成式 AI 工具

定義／原理。 善用工具的關鍵在於：強化模型可控性與個人化（模型微調 Fine-tuning 與 提示工程 Prompt Engineering）、結合人類專業的協作與即時回饋、並重視安全隱私與倫理。指引特別強調生成式 AI 具備上下文理解、遷移學習、多模態與「透過提示詞可控生成」的特點，但也面臨 AI 幻覺（AI hallucinations）、偏見與準確性等挑戰。

具體例子（取自學習指引）。 指引練習題給出明確使用準則：

• 圖像生成需同時考量解析度、版權與合法性、推論時間（題目 1，答案「以上皆是」）。
• 使用 AI 生成內容時，應適當標注引用來源以避免抄襲、確保可追溯（題目 8）。
• 教師應訂立清晰的使用規範並進行說明，引導學生發展批判性思維、把 AI 當輔助而非替代（題目 2）。
• 提升員工 AI 能力宜安排跨部門交流與測試專案，實務操作優於單純自學（題目 4）。

常見陷阱。 「限制使用者自訂生成內容」不是使用體驗的優化方向（題目 9）；直接拿生成內容做學術報告、或減少人工審查，都會降低品質與合規性——人機協作與來源標注才是正解。

常考點：提示工程與微調、AI 幻覺、版權與引用標注、訂立使用規範、人機協作審查

生成式 AI 導入評估規劃

生成式 AI 導入評估

定義。 導入生成式 AI 不只是技術升級，更是營運模式與策略的全面革新，須做多面向評估。依學習指引，導入評估的標準包含五大面向：

原理／運作。 首先做需求與現狀評估：識別流程瓶頸、資源分配失衡與決策不足等痛點，分析應用場景（提升品質、縮短週期、優化體驗、強化供應鏈），並評估生成式 AI 是否能有效解決核心問題。其次資源與基礎設施評估：盤點技術人才、數據品質（完整性、清洗與整合）、硬體與系統架構及可擴展性——指引強調「生成式 AI 高度依賴大量且高品質的數據」。

具體例子（取自學習指引）。 指引明列成功導入的三大核心因素：清晰定義痛點、技術匹配、培養人才（3.3 題目 5，答案 B）。內部 IT 環境最需具備「高效能運算資源與彈性儲存空間」以支援模型訓練與推理（題目 3）。

常見陷阱。 企業評估時要從「現有瓶頸」出發（如市場趨勢預測能力不足），而非先想著升級硬體或增員（題目 1、2）；技術可行不代表合規可行，資料安全須以「權限控管與合規要求」為最重要考量（題目 4）。

常考點：痛點識別、數據品質與基礎設施、三大成功因素（痛點／技術／人才）、運算資源與儲存

生成式 AI 導入規劃

定義與四階段（學習指引核心流程）。 通過評估後進入規劃，指引以四個階段貫穿：準備（挑選方案）→ 設計（確認生成規格）→ 驗證 POC（驗證效果）→ 實施／營運（持續發揮價值）。

原理／運作。

• 準備階段：從營運數據、員工交流與客戶回饋設立明確目標（提升營收、降低成本、優化流程），繪製業務流程圖找出瓶頸，識別具重複性、規則性、標準化的工作（如數據處理、報表生成、客服查詢）作為理想候選；並檢視資料完整性、技術基礎與人力技能，再依商業價值與技術可行性排定導入優先順序。
• 設計階段：確認最終商業目標、制定可量化 KPI；確認數據品質與多樣性、建立持續更新流程；確認使用情境（自動化客服、數據分析、預測性維護等）；估算技術開發、硬體與雲端、培訓與維護成本。
• 驗證 POC：選模型與演算法（自迴歸、自編碼器、擴散模型、Transformer），設損失函數、優化器、學習率，用交叉驗證與網格搜索調參；以 BLEU、ROUGE、Perplexity 等指標加上人工檢查、壓力測試、敏感性／公平性檢查、A/B 測試驗證效能。
• 實施／營運：業務流程整合、員工培訓、持續改進、效益評估與推廣；並做模型監控（準確率、召回率、錯誤率）、偵測 數據漂移（Data Drift）、建立自動化重新訓練管道，最後推動 AI 價值擴散。

具體例子（ROI 計算，取自學習指引）。 在 POC 階段以小規模實驗評估模型效能與融合度，並量化投入與產出計算 投資回報率（ROI） 與回收週期；可使用 淨現值（NPV）、內部報酬率（IRR） 評估財務可行性，並以 敏感性分析（Sensitivity Analysis） 模擬市場與成本變動的影響。

常見陷阱。 構想／準備階段首要是明確經營目標與核心價值，而非先買軟體或先做培訓（題目 6）；正式實施階段應先確保人員熟悉新流程與工具（題目 7）；目標必須可量化、可追蹤，否則無法驗收（題目 1）。

常考點：準備→設計→POC→營運、KPI 可量化、BLEU/ROUGE/Perplexity、ROI/NPV/IRR、敏感性分析、數據漂移

生成式 AI 風險管理

定義／原理。 生成式 AI 帶來價值的同時也帶來風險，常見包括資料隱私與安全、倫理偏見、法律合規。指引提出四項降風險重點：確保資料隱私（加密、匿名化、權限管理）、降低倫理偏見（多樣化數據集、公平性測試）、遵守法律規範（審查資料來源與授權）、建立審核機制（監控與審查生成內容）。風險評估核心是「識別風險後，依嚴重性與發生可能性排序」，實務常用 風險矩陣（Risk Matrix） 進行定量與定性分析。

六種風險應對策略（學習指引）。 指引明列：風險接受（影響有限或無法完全避免，評估容忍度並備應急計畫）、風險緩解（從數據管理著手、審查生成內容、定期評估更新）、風險迴避（技術不成熟或可能重大損害時暫緩推進）、風險轉移（購買保險或與第三方簽約轉移責任，但仍保留監控權）；另涵蓋風險溯源與風險文化。

具體例子（取自學習指引）。 資料安全管理外包給第三方供應商屬於風險轉移（題目 9）；風險分析階段的主要目的是評估風險的影響與發生可能性（題目 8）；當策略效果下降時應快速調整並進行必要改進（題目 10）。法規方面須遵守 GDPR、CCPA 並處理智慧財產權，高風險場景（醫療診斷、金融決策）須明確界定責任分擔。

常見陷阱。 AI 決策常被視為「黑箱（Black Box）」，責任歸屬（資料提供方／開發者／使用者）易模糊，須推進可解釋 AI（Explainable AI）；風險轉移「並非卸責」，企業仍須保留監控與審核權限；展示透明度（如標示「此內容由 AI 生成」）有助提升信任。

常考點：風險矩陣、六種策略（接受／緩解／迴避／轉移）、GDPR/CCPA 與智財、黑箱與可解釋 AI、責任歸屬