2025 12 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 國泰世華銀行攜手資誠企業管理顧問公司，正式發布《2025臺灣全民財務健康關鍵報告》，打造台灣金融業唯一接軌聯合國財務健康衡量方法的檢測平台。圖為國泰世華銀行副總經理李鼎倫（中）、資誠企業管理顧問公司執行董事陳念平（左）、國泰世華銀行協理鄭凱中 （右）。（圖／國泰世華銀行提供）退休後預估每個月生活所需花費從2023年的4.9萬上升到2025年的6.1萬，更有高達 82% 的未退休民眾低估了退休後實際可能所需的生活開支，遠低於已退休者實際每個月的花費 7.2萬元，顯示多數人對未來財務需求缺乏精準評估。

 

2025 12 05 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 國泰世華銀行攜手資誠企業管理顧問公司，正式發布《2025臺灣全民財務健康關鍵報告》，打造台灣金融業唯一接軌聯合國財務健康衡量方法的檢測平台。圖為國泰世華銀行副總經理李鼎倫（中）、資誠企業管理顧問公司執行董事陳念平（左）、國泰世華銀行協理鄭凱中 （右）。（圖／國泰世華銀行提供）退休後預估每個月生活所需花費從2023年的4.9萬上升到2025年的6.1萬，更有高達 82% 的未退休民眾低估了退休後實際可能所需的生活開支，遠低於已退休者實際每個月的花費 7.2萬元，顯示多數人對未來財務需求缺乏精準評估。

 

銀行調查：退休金每月至少要7.2萬元 8成民眾低估實際需求

ETtoday 的故事

 

記者巫彩蓮／台北報導20251204

▲國泰世華銀行攜手資誠企業管理顧問公司，正式發布《2025臺灣全民財務健康關鍵報告》，打造台灣金融業唯一接軌聯合國財務健康衡量方法的檢測平台。圖為國泰世華銀行副總經理李鼎倫（中）、資誠企業管理顧問公司執行董事陳念平（左）、國泰世華銀行協理鄭凱中 （右）。（圖／國泰世華銀行提供）

     國泰世華銀行（4）日攜手資誠企業管理顧問公司（PwC），發布《2025臺灣全民財務健康關鍵報告》顯示，退休後預估每個月生活所需花費從2023年的4.9萬上升到2025年的6.1萬，更有高達 82% 的未退休民眾低估了退休後實際可能所需的生活開支，遠低於已退休者實際每個月的花費 7.2萬元，顯示多數人對未來財務需求缺乏精準評估。

《2025臺灣全民財務健康關鍵報告》透過超過三萬份樣本，深入剖析臺灣民眾的財務健康狀況，並從日常生活收支、風險抵抗力、財務信心、財務規劃及心理富足五大構面進行分析；今年度調查結果顯示，台灣全民財務健康平均分數為56.9分，較2023年下滑2.3分，顯示民眾在面對經濟不確定性與市場波動時，財務韌性不足。

`

調查進一步發現，「風險抵抗力」與「財務信心」是下降最明顯的構面。其中，34歲以下族群的「風險抵抗力」平均下降12個百分點，顯示年輕世代在儲蓄習慣與緊急應變能力上相對薄弱，亟需建立更穩健的財務基礎。此外，近半數民眾認為自己在面對重大金融衝擊時準備不足，且整體金融知識與投資信心呈現下滑趨勢。

「財務信心」方面也普遍下滑。全球政經局勢動盪產生的市場波動與金融商品複雜度提升，使民眾在投資決策上更趨保守，甚至有部分族群完全停止投資，轉而持有現金以降低風險，本次報告也揭示退休準備不足的隱憂，除了退休後預估每個月生活所需花費從2023年的4.9萬上升到2025年的6.1萬，更有高達 82% 的未退休民眾低估了退休後實際可能所需的生活開支，遠低於已退休者實際每個月的花費 7.2萬，意味多數人對未來財務需求缺乏精準評估。

該報告亦顯示，財務健康表現優異的民眾，普遍具備三項關鍵特質。

首先，他們擁有定期檢視財務狀況的習慣；

其次，持續參與市場並採取多元投資配置，能顯著提升財務健康分數，相較僅儲蓄或單一投資商品者，分數差距更為明顯。

最後，金融知識與工具運用能力也是關鍵，熟悉金融商品與風險概念、善用AI工具與專業諮詢服務的族群，財務健康分數表現更佳，顯示持續學習與科技應用已成為提升財務韌性的核心動力。

2025 11 29 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 乙巳年 蛇年 民國114年 農曆10月10日 小朋友出嫁 激勵工作名言｜工作正能量 工作是一種信仰，全力以赴才是敬業。每一個小小的進步，都是巨大成就的基石。只有不斷學習，才能在職場中保持競爭力。勇於挑戰自我，才能超越自我。

 

2025 11 29 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 乙巳年 蛇年 民國114年 農曆10月10日 小朋友出嫁 激勵工作名言｜工作正能量 工作是一種信仰，全力以赴才是敬業。每一個小小的進步，都是巨大成就的基石。只有不斷學習，才能在職場中保持競爭力。勇於挑戰自我，才能超越自我。

 

激勵工作名言｜工作正能量

在職場中，我們常常需要應對多變的環境和不斷湧現的任務。

無論是處理日常的繁瑣工作，還是迎接新的挑戰，保持積極的心態非常重要。

在這個過程中，正能量的工作名言可以成為我們堅定前行的指引。

這些名言不僅是激勵我們的工具，也是提升我們心理韌性的秘訣。

它們能幫助我們：

面對困難時保持冷靜和堅定，並激發我們的內在潛力。

培養積極的工作態度，並促進長期的職業發展。

在團隊中傳遞積極的能量，從而提升整體工作氛圍和效率。

讓這些激勵工作的名言佳句融入日常工作中，

從中汲取力量，迎接每一天的挑戰！

名人名言佳句

效率是做好事情，效能是做對的事情。- 彼得·德魯克

完成工作的方法，是愛惜每一分鐘。- 達爾文

成功並不是鍵入命運的象徵，而是對事情的熱愛。- 阿爾伯特·史懷哲

即使我們走得再慢，也比站在原地更接近目標。- 宮崎駿

如果你不肯努力，那就讓別人來做吧！

我寧願跟那種做事很糟糕，但願意付出110% 的人合作，

也不願意跟只付出60%，就覺得自己做的很好的人在一起。 — 威爾.史密斯

機會是留給有準備的人的。- 巴斯德

勞工若覺得自己在做有意義的工作，則製作的產品必定精良。- 皮哈爾．吉林哈默

我從未失敗，我只是找到了一萬種行不通的方法。- 愛迪生

有良知的人不會苛求完美，而是在發現錯誤後厲行改正。- 佐久間象山

正能量短句

成功不是終點，努力才是過程。

每一個今天的努力，都是為了明天的美好。

工作是一種信仰，全力以赴才是敬業。

只有不斷挑戰自我，才能不斷進步。

每一個小小的進步，都是巨大成就的基石。

無論多麼艱難，都要堅持下去，因為成功就在前方。

工作中的每一份辛苦，都是為了未來的幸福。

把每一件小事做到極致，就是非凡。

用心工作，用智慧創造未來。

每天進步一點點，成功就會離你更近一步。

勇於接受挑戰，才能創造出更好的自己。

在工作中找到樂趣，成功就會不請自來。

用積極的心態面對壓力，就是成功的一半。

只有付出，才能收穫滿意的結果。

每一天的努力，都是為了更好的明天。

勇於接受挑戰，才能在職場中脫穎而出。

成功源自於專注與努力，持之以恆。

每一個挑戰，都是一次成長的機會。

工作中的每一次突破，都是自我超越的體現。

用心去做每一件事，成功自然會來。

每一天都努力成為更好的自己。

成功的秘訣在於堅持不懈的努力。

每一個細節都決定了工作的成敗。

只有付出，才能收穫回報。

工作中的每一個努力，都是未來成功的基石。

用積極的態度面對每一天的工作，奇蹟就會出現。

勇敢面對挑戰，才能在職場中不斷進步。

成功來自於不斷的學習和努力。

每一天的努力都是為了未來的成功鋪路。

用心去做每一件事，才能收穫滿意的結果。

勇敢面對挑戰，才能在職場中脫穎而出。

成功的秘訣在於堅持不懈。

在工作中找到自己的熱愛，成功會不請自來。

面對困難時，保持積極心態是最強的武器。

成功來自於堅持不懈的努力和投入。

與其等待機會，不如主動創造機會。

用積極的態度迎接每一天，奇蹟就會出現。

勇敢面對挑戰，是成就非凡的第一步。

成功的關鍵就在於不斷挑戰自己的極限。

只有不斷學習，才能在職場中保持競爭力。

每一次失敗都是一次學習的機會。

用心對待每一個任務，成果自然會豐碩。

工作中的任何決定，都影響未來的道路。

用心去做每一件事，成就自然會來。

勇於挑戰自我，才能超越自我。

任何一個小小的進步，都值得被慶祝。

在工作中找到熱情，才能在職場中閃耀。

每一天都是一次新的開始，努力創造輝煌。

工作中的每一個難題，都是一次我們成長的契機。

希望其中有打動你的佳句，並且能夠在你工作中遇到挑戰時給予你力量和啟發。

讓這些語錄成為你前行的燈塔，激勵你在職場上不斷追求卓越！

2025 11 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 科目一:人工智慧基礎概論 獨熱編碼 (One-Hot Encoding)ETL (萃取、轉換、載入) K-MeansMSE (均方誤差) / MAE (平均絕對誤差) RNN (循環神經網路) / Transformer (轉換器) VAE (變分自動編碼器)聯邦學習 (Federated Learning)

 

2025 11 17 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 科目一:人工智慧基礎概論 獨熱編碼 (One-Hot Encoding)ETL (萃取、轉換、載入) K-MeansMSE (均方誤差) / MAE (平均絕對誤差) RNN (循環神經網路) / Transformer (轉換器) VAE (變分自動編碼器)聯邦學習 (Federated Learning)

 經濟部 iPAS AI應用規劃師初級能力鑑定

科目一:人工智慧基礎概論

獨熱編碼 (One-Hot Encoding)

解題：

「資料預處理」技術

將「類別」資料（如：交通方式）

轉換為機器可讀的二進位向量（如：[1,0,0], [0,1,0]）。 人在迴圈 (Human-in-the-Loop)

解題：

在 AI 流程中引入「人類專家」進行監督、標註或修正。

「人類日常監督 AI，必要時才介入或停止」。 ETL (萃取、轉換、載入)

解題：

資料倉儲的標準流程。

從來源「萃取 (Extract)」資料，

進行 「轉換 (Transform)」(如清洗、排序)，

最後 「載入 (Load)」到 目標 資料庫。

K-Means

解題：

一種「非監督式學習」的「分群」演算法，

將資料自動分成 K 個群組。

MSE (均方誤差) / MAE (平均絕對誤差)

解題：

評估「回歸模型」（如預測房價）準確度的指標，

用來計算「預測值」與「實際值」之間的誤差。

RNN (循環神經網路) / Transformer (轉換器)

解題：

兩者都用於處理「序列資料」（如文字）。

RNN 的技術痛點包含「梯度消失或爆炸」；

Transformer 則是目前 LLM (如 GPT) 的基礎架構。

VAE (變分自動編碼器)

解題：

一種「生成式模型」，透過機率分佈來「生成」

新的資料（如新圖片）。

聯邦學習 (Federated Learning)

解題：

一種「保護隱私」的訓練方式。

模型「到」各裝置（如醫院、手機）本地端進行訓練，

只回傳更新後的「參數」，原始資料（如病歷）絕不上傳。

2025 11 10 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 ESG 第卅屆聯合國氣候變遷大會（ＣＯＰ30）自十日起在巴西貝倫揭幕。「七十七國集團加中國」 「小島嶼國家聯盟」，「ＢＡＳＩＣ集團」和「非洲集團」（ＡＧ）東道主巴西希望，2025年大會能回歸初心，各國應致力兌現過去承諾而非又做新承諾，並關注原住民等氣候變遷下的弱勢群體。ＣＯＰ30全稱為聯合國氣候變化綱要公約（ＵＮＦＣＣＣ）第卅次締約方會議，該公約卅三年前就是在巴西舉辦的「里約地球峰會」簽署。

 

2025 11 10 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 第卅屆聯合國氣候變遷大會（ＣＯＰ30）自十日起在巴西貝倫揭幕。「七十七國集團加中國」 「小島嶼國家聯盟」，「ＢＡＳＩＣ集團」和「非洲集團」（ＡＧ）東道主巴西希望，2025年大會能回歸初心，各國應致力兌現過去承諾而非又做新承諾，並關注原住民等氣候變遷下的弱勢群體。ＣＯＰ30全稱為聯合國氣候變化綱要公約（ＵＮＦＣＣＣ）第卅次締約方會議，該公約卅三年前就是在巴西舉辦的「里約地球峰會」簽署。

 

      第卅屆聯合國氣候變遷大會（ＣＯＰ30）自十日起在巴西貝倫揭幕。東道主巴西希望，2025年大會能回歸初心，各國應致力兌現過去承諾而非又做新承諾，並關注原住民等氣候變遷下的弱勢群體。

       ＣＯＰ30全稱為聯合國氣候變化綱要公約（ＵＮＦＣＣＣ）第卅次締約方會議，該公約卅三年前就是在巴西舉辦的「里約地球峰會」簽署。

     這次巴西選在亞馬遜雨林周邊城市貝倫舉辦ＣＯＰ30，旨在強調森林的重要性，因為全球森林仍是伐木、採礦、農業和化石燃料開採等產業的目標。

巴西2025年主辦第卅屆聯合國氣候變遷大會（COP30），能否在巴黎協定十周年達成制定新氣候目標引發關注。記者潘俊宏／攝影

COP30主辦城市貝倫是進入亞馬遜流域的門戶，而亞馬遜森林的減碳及生物多樣性對全球氣候至關重要。記者潘俊宏／攝影

       多數國家政府都會派代表團與會，利益相近國家時常結隊發言，最受矚目包括開發中國家組成的「七十七國集團加中國」，以及生存受到海平面上升威脅的「小島嶼國家聯盟」，「ＢＡＳＩＣ集團」和「非洲集團」（ＡＧ）等也有影響力。

       一月宣布退出巴黎協定的美國已讓出以往主導地位，中國大陸和巴西等國著手取而代之。

熱帶雨林基金 多國允諾注資

    ＣＯＰ30正式開始前，「聯合國氣候峰會」（U.N.climate summit）於六、七日在巴西貝倫召開，與會者已說在支持瀕危森林和全球共同碳市場等計畫取得進展。

     其中，巴西提倡的「熱帶雨林永存基金」於六日就吸引五十五億美元（約台幣一七二一億元）注資承諾，挪威和法國都加入巴西與印尼的投資行列，德國七日也承諾提供支持。

    美聯社七日報導，上述基金最終希望募集一二五○億美元（約台幣三點九兆元），將用於強化雨林保護。巴西總統魯拉七日會晤德國總理梅爾茨以爭取支持，梅爾茨會後說，德國將做出可觀承諾，但未透露金額。

     巴西及歐盟七日也宣布，將與中國等國合作建立聯盟，旨在統一全球不同的排放交易系統，成為單一個全球碳市場。共同的碳定價框架將激勵各國和企業減少溫室氣體的排放，允許排放量低於其規定上限的企業向排放量超過上限的企業出售碳信用。

川普退出巴黎協定 挨批可恥

       中國國家主席習近平及印度總理莫迪等主要國家領袖均未出席，但代表與會的官員都藉機重燃全球能源轉型熱忱。中國國務院副總理丁薛祥稱讚自家大規模設置風電、光電。他說，中國溫室氣體排放量遠超其他國家，仍是轉向更潔淨能源形式的領頭羊，乃信守氣候承諾的國家。

    數國代表也在會上訴說氣候變遷的傷害。南太平洋島國吐瓦魯環境部長塔利亞批評，美國總統川普退出巴黎協定是罔顧他國的可恥舉措；馬紹爾群島外交部長卡內克說，該國正活在噩夢中，隨著海面上升與珊瑚死亡，魚群正離開該國沿岸到更冷的海域。

聯合國氣候峰會落幕後，ＣＯＰ30緊接著十日至廿一日登場，也將延續各項議題的討論。聯合報採訪團隊前進現場，將持續為讀者帶回最新動態。

2025 11 01 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 系 統 性 人才發展品質管理手冊。可參考TTQS架構精神、ISO精神，訓練 需求 之 定期的 調查 與 分析 「訓練 實施 的 標準化作業流程（SOP）」

 

2025 11 01 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 系 統 性 人才發展品質管理手冊。可參考TTQS架構精神、ISO精神，訓練 需求 之 定期的 調查 與 分析 「訓練 實施 的 標準化作業流程（SOP）」

  TTQS人才發展品質管理系統

【申請單位查檢表】

  企業機構版

   計畫  Plan     

   系 統 性

4.訓練品質管理的系統化文件資訊

   展示文件

   （如：訓練手冊、訓練體系圖表、程序或辦法等相關文件）

    以說明        組織  如何運作 TTQS管理系統。

    展示此文件  如何  核准、公告、更新、保存  紀錄。

參酌資料

p       人才發展品質管理手冊。

手   

     手冊內可參考TTQS架構精神、ISO精神，

\   1.「訓練     需求     之   定期的 調查 與 分析」

      2.「不同訓練 課程     的   設計 與 規劃 方向」

      3.「訓練的            提供 方式 與 選擇  的 指標」

       4. 「訓練     結果   的  評估」

       5.「訓練     實施   的  標準化作業流程（SOP）」。

  其他：

2025 10 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 機器學習（Machine Learning）是一種透過 數據訓練 模型，使 機器 具備 預測 與 分類 能力的技術， 常應用於 文字辨識、語音辨識、圖像辨識 等領域。機器學習的 步驟包含： （1）準備訓練資料：（2）訓練模型：（3）測試及評估模型：

 

2025 10 26 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 人工智慧基礎概論 (L11) 機器學習（Machine Learning）是一種透過 數據訓練 模型，使 機器 具備 預測 與 分類 能力的技術， 常應用於 文字辨識、語音辨識、圖像辨識 等領域。機器學習的 步驟包含： （1）準備訓練資料：（2）訓練模型：（3）測試及評估模型：

 

機器學習（Machine Learning）

是一種透過  數據訓練  模型，使 機器  具備   預測  與 分類   能力的技術，

常應用於    文字辨識、語音辨識、圖像辨識  等領域。

一般而言，資料量愈大  且經過  完整的資料處理，

模型的效果通常會更好。 

 簡述  機器學習的  步驟包含：

（1）準備訓練資料：

       包含資料的蒐集、過濾雜訊 及前處理；

（2）訓練模型：

       將前項  準備好  的   訓練資料   輸入  演算法中，並 適度調整 參數，

       使模型儘量符合資料之模式或分佈；

   （3）測試及評估模型：

        測試 並 評估   該 模型的效能，並反覆訓練之；經多次調校仍不佳時，

        或許選用其他模型  再重覆前 述流程。 

 依訓練方式，有以下幾種學習方法： 

 （1）監督式學習（Supervised learning） 

        監督式學習主要應用於  分類（Classification）與  迴歸（Regression）

        任務，透 過   帶有標記（Labeled Data）的訓練數據來訓練模型，

        使其學習  輸入特徵  與  對應標 記   之間的關聯性。

        在訓練過程中，模型不斷調整內部參數，以提高對未知數據的 預測準確度，

        從而   實現   對   未見  數據的   有效分類  或  數值  預測。

         分類模型目標為「如 何將輸入數據   分配至   不同類別」，

          例如 垃圾郵件過濾（辨別郵件是否為垃圾郵件）、 

                    影像識別（辨識圖片中的物件類別）。

          迴歸模型目標為「學習   輸入變數  與  連續數值 之間的映射關係」，

           例如  房價預測（根據房屋特徵預測價格）、

                    銷售額預測（根據 市場數據預測未來銷售）。 

 （2）非監督式學習（Unsupervised Learning） 

            不同於監督式學習，無需使用事先標記好的訓練數據。

            演算法會自動從  未標 記的數據  中   發掘潛在的模式、結構或

            分群（Clustering），進而揭示  數據內部的關聯 性和特徵。

           非監督式學習常用於

           資料探索、特徵提取  和數據降維  等任務，

           廣泛應 用於

          市場區隔分析、異常偵測、推薦系統 和  影像壓縮  等領域。 

 （3）強化學習（Reinforcement Learning, RL） 

             強化學習不同於監督式學習和非監督式學習，

            是一種  基於「回饋（反饋）機 制」的  學習方法，

            透過  評分機制 與  獎勵措施  的制定，讓人工智慧進行自我評估

            並朝  獲取最大獎勵的方向進行學習。

            強化學習的核心在於   讓代理（Agent）透過與環 境  的互動，

            學習如何選擇  最佳行動策略，以獲得最大的累積回報。

            強化學習特別 適合用於

            需要「試錯學習（Trial-and-Error）」和「長期規劃」

            的任務，

           例如   遊戲 AI、 機器人控制  和  自動駕駛等領域。

2025 10 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 人工智慧基礎概論 (L11) 資料（數據）處理與分析 是人工智慧項目中的 基礎階段，旨在 將原始數據 轉化為 高品質 且 適合分析 的格式，進一步從中提取有價值的資訊。 此階段包括 數據蒐集、清洗、轉換與分析， 目標是確保 數據的 品質、一致性 與 可用性。

 

2025 10 23 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 人工智慧基礎概論 (L11) 資料（數據）處理與分析 是人工智慧項目中的 基礎階段，旨在 將原始數據 轉化為 高品質 且 適合分析 的格式，進一步從中提取有價值的資訊。 此階段包括 數據蒐集、清洗、轉換與分析， 目標是確保 數據的 品質、一致性 與 可用性。

資料（數據）處理與分析

資料（數據）處理與分析

是人工智慧項目中的 基礎階段，旨在  將原始數據

轉化為  高品質  且  適合分析   的格式，進一步從中提取有價值的資訊。

此階段包括 數據蒐集、清洗、轉換與分析，

目標是確保  數據的    品質、一致性  與  可用性。

（1）數據蒐集（Data Collection）：

         A. 數據結構類型分類

         數據蒐集的來源廣泛，根據數據類型與應用需求，可分為以下幾類：

             結構化數據（Structured Data）：

                    具有   清晰  且   固定結構  的數據，

                    通常以  行列  形式 儲存，

                    便於  直接   進行   查詢 與 分析。

                    常見於 關聯式資料庫（如MySQL、PostgreSQL）

                    和   規範化的電子表格。

             半結構化數據（Semi-structured Data）：

                    數據具有一定結構標籤，但格式靈活，無需嚴格遵循固定架構。

                    通常以  文件 形式儲存，適用於描述複雜的 層次化數據，

                     如XML、JSON、CSV 等。

          非結構化數據（Unstructured Data）：

                   無固定結構的數據，需經過處理和解析後才能進行分析。

                   通常以  檔案  形式儲存，適合  多媒體 或  自由文本類型  數據，

                    包括  圖片、影像、音訊、文字內容，

                  如電子郵件、文章等。

       B. 常見數據蒐集方法

           問卷與調查：

                    透過  線上  或 線下  方式，直接從  目標受眾中  蒐集第一手數據。

                    此方法常用於市場研究、用戶回饋（反饋）蒐集 或 行為洞察，

                    能夠精準捕捉目標群體的意見與需求。

           自有產品數據：

                   來自企業所  開發 或 運營 的產品或設備數據，通常與用戶的互動

                   相關。

                   例如自有的網站、App 應用，或 實體裝置  如智慧手錶、汽車等。

           外部公開數據蒐集：

                   透過API 調用方式獲取公開可訪問的數據資源（如政府資

                   料開放平臺API 等），或利用網路爬蟲（Web Scraping）

                   自動擷取網站公開數據（如新聞、價格資訊、商品評論等）。

           外部付費數據購買：

                  與第三方數據提供商合作，購買專業數據集以補充內部數

                  據，例如市場調查數據或人口統計數據。

           網路爬蟲（Web Scraping）：

                  抓取網站公開數據，例如商品價格、使用者評論或新聞文章等。

2025 10 06 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI 應用規劃師 職能基準 職能基準代碼 SMS2512-002v1 職業 AI應用規劃師 主要 職責 T1 評估 與分析 AI技術 工作 任務 T1.2 掌握目 標並確 立需求 工作 產出 O1.2.1 需求訪 談紀錄 文件

 

2025 10 06 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 AI 應用規劃師 職能基準 職能基準代碼 SMS2512-002v1 職業 AI應用規劃師 主要 職責 T1 評估 與分析 AI技術 工作 任務 T1.2 掌握目 標並確 立需求 工作 產出 O1.2.1 需求訪 談紀錄 文件

 

AI 應用規劃師   職能基準  

職能基準代碼 SMS2512-002v1

職業                AI應用規劃師 

主要  職責  

  T1           評估 與分析 AI技術

工作  任務  

 T1.2 掌握目 標並確 立需求 

工作  產出 

   O1.2.1 需求訪 談紀錄 文件

行為指標

   P1.2.1依據單位營運目標，掌握高階決 策者意見，

              蒐集  跨部門 產品、流 程、或執行痛點，

              聚焦AI應用發 展需求。 

職能 級別    4級

職能內涵  （K=knowledge知識）  

        K01 AI 技術基本原理 

      K02 AI應用場景知識

      K07 企業管理知識

      K08 專案管理知識  

職能內涵  （S=skills技能）

           S04 需求分析能力 

       S05 問題解決能力 

      S06 協調溝通能力 

      S07 專案管理能力

              （含時間 管理、資源分配、風險應對 與KPI監控等）

 

2025 09 21 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 指標5:訓練規劃及經營目標達成的連結性(滿分5分)列舉適當佐證資料項目 1.說明 如何 連 結 組織目標、需求 及 訓練發展方向。 2.展現 如何 連 結 訓練發展方向 與 訓練行動計畫 及 (策略性)重點課程。

 

2025 09 21 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 指標5:訓練規劃及經營目標達成的連結性(滿分5分)列舉適當佐證資料項目 1.說明 如何 連 結 組織目標、需求 及 訓練發展方向。 2.展現 如何 連 結 訓練發展方向 與 訓練行動計畫 及 (策略性)重點課程。

 指標5:訓練規劃   及

            經營目標達成   的  連結性  (滿分5分)

列舉適當佐證資料項目 

       1.說明  如何  連 結   組織目標、需求  及  訓練發展方向。   

  

       2.展現  如何  連 結   訓練發展方向 與  訓練行動計畫  及  (策略性)重點課程。

指標意涵說明 

  此指標   強調    組織的願景、策略目標、經營需求 與  訓練需求

  必須有完整的關聯。 

  通常      透過   組織績效分析結果  與  訓練機能   展開連結,

  並 針對  組織人力   的   職能不足。 

  發展   訓練方針  及 訓練行動計畫  與  (策略性)重點課程。 

常見參考佐證資料

   1.員工訓練  與  組織年度事業計畫  與  員工訓練規劃   連結  的  證明。 

   2.訓練課程體系、訓練重點  與  組織業務   策略方向    連结  的  證明。 

   3.訓練規劃  與  達到  組織訓練   績效目標                 連結   的  證明。

  4.其他  有關  訓練規劃   與  經營目標                        有效連結  的  證明。

      

2025 09 08左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 訓練機器學習時，會運用到許多不同的機器學習演算法 大致將各種演算法分為 4 種類型： 1.監督式學習 2.非監督式學習 3.半監督式學習 4.強化式學習常見的監督式學習演算法有： 1.線性回歸法（Linear Regression） 2.隨機森林法（Random Forest） 3.單純貝氏分類器（Naive Bayes Classifier） 常見的非監督式學習演算法有： 1. K-平均算法（K-Means Cluctering） 2. 主成分分析（PCA） 3. t-分布隨機鄰近嵌入（t-SNE） 常見的半監督式學習演算法有： 1.生成式對抗網路（Generative adversarial networks） 2.自學習貝氏分類器（Self-trained Naive Bayes classifier） 常見的增強式學習演算法有： 1.Q 學習（Q-Learning） 2.蒙特卡洛學習（Monte-Carlo Learning） 3.SARSA （State–Action–Reward–State–Action）

 

2025 09 08左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 訓練機器學習時，會運用到許多不同的機器學習演算法 大致將各種演算法分為 4 種類型： 1.監督式學習 2.非監督式學習 3.半監督式學習 4.強化式學習常見的監督式學習演算法有： 1.線性回歸法（Linear Regression） 2.隨機森林法（Random Forest） 3.單純貝氏分類器（Naive Bayes Classifier） 常見的非監督式學習演算法有： 1. K-平均算法（K-Means Cluctering） 2. 主成分分析（PCA） 3. t-分布隨機鄰近嵌入（t-SNE） 常見的半監督式學習演算法有： 1.生成式對抗網路（Generative adversarial networks） 2.自學習貝氏分類器（Self-trained Naive Bayes classifier） 常見的增強式學習演算法有： 1.Q 學習（Q-Learning） 2.蒙特卡洛學習（Monte-Carlo Learning） 3.SARSA （State–Action–Reward–State–Action）

 AI vs 機器學習 vs 深度學習

AI vs ML vs DL

人工智慧     目標是 讓機器  具有  人類的智慧

機器學習     從  大量資料   中找出規則，以 達到智慧化 的 目標

深度學習     機器學習 的其中一種方法，模仿人類大腦 的 類神經網路去分析數據資料

在訓練機器學習時，會運用到許多不同的機器學習演算法，

例如  線性回歸法、邏輯回歸法  等，

大致將各種演算法分為 4 種類型：

       1.監督式學習

      2.非監督式學習

      3.半監督式學習

      4.強化式學習

（一）監督式學習（Supervised Learning）

       監督式學習定義

       提供機器大量有歷史資料、有標記標籤的「輸入」和「輸出」資料配對分類。

       例如，我們給機器多組啤酒與葡萄酒的影像，

                   並標記出哪些是啤酒，哪些是葡萄酒。

       機器會學習這些資料，並找出這些影像間的共同特徵，

      以分辨啤酒與葡萄酒。

      常見的監督式學習演算法有：

              1.線性回歸法（Linear Regression）

              2.隨機森林法（Random Forest）

              3.單純貝氏分類器（Naive Bayes Classifier）

      監督式學習例子

       推薦系統就是利用監督式學習，例如 Netflix 的影集推薦。

       Netflix 的推薦系統會根據用戶過去的 觀看紀錄  與 行為，

       推薦用戶可能會喜歡的節目。

（二）非監督式學習（Unsupervised Learning）

      非監督式學習定義

       在非督導式學習模式中，輸入的資料多是 沒有標準答案、未標記與非結構化

       的資料。機器會使用  所有相關且可存取的資料  來識別  資料間的關聯性，

       並將資料分群。

     常見的非監督式學習演算法有：

         1.  K-平均算法（K-Means Cluctering）

         2.  主成分分析（PCA）

         3.  t-分布隨機鄰近嵌入（t-SNE）

       非監督式學習例子

       非監督式學習   可以解決各種商業問題，有助於企業快速探索大量資料，

       例如  銀行   用來監測交易  是否為   詐欺  或  機器人 活動  等  異常行為。

 （三）半監督式學習（Semi-supervised Learning）

         半監督式學習定義

         半監督式學習則是指，有一部分的資料有標記，另一部分則沒有。

         半監督學習會先用已標記過的資料訓練模型，之後再使用經過訓練的模型

         來標記  那些未標記的資料，直到所有資料 都被標記完成。

        常見的半監督式學習演算法有：

              1.生成式對抗網路（Generative adversarial networks）

              2.自學習貝氏分類器（Self-trained Naive Bayes classifier）

      半監督式學習應用

       半監督式學習經常應用在  語 音 與 語 言 分析，例如使用少量的語音數據

       來訓練模型，並利用大量的未標記語音數據來進一步學習，

       提高辨識的準確度。

（四）強化式學習（Reinforcement Learning）

          強化式學習定義

          強化式學習  也叫做 增強式學習，指機器在處理資料時，

          會像學生學習一樣，透過「獎勵和懲罰」來學習，每當它做出一個動作，

          就會得到一個「意見回饋」：如果這個動作是好的，它就得到「獎勵」，

           反之則是「懲罰」。

          透過不停的試錯，慢慢了解哪些動作是好的，哪些動作是壞的，

          最終找到最有效的處理資料路徑，達到最終目標。

         常見的增強式學習演算法有：

               1.Q 學習（Q-Learning）

               2.蒙特卡洛學習（Monte-Carlo Learning）

               3.SARSA （State–Action–Reward–State–Action）

         強化式學習應用

         強化式學習最知名的案例，莫過於 2014 年 Google DeepMind 開發的

         下圍棋軟體 AlphaGo。AlphaGo 一開始是使用監督式學習，

          不過由於學習與進步的速度太慢了，

          因此改使用強化式學習的方式提高棋力。