中華民國經營管理MIT全球顧問團 CMCIT 創業創新育成加速器 Accelerator 社團法人中華中小企業經營輔導專家協會CERTIFIED MANAGEMENT CONSULTANTS ASSOCIATION OF ROC 中華民國CMC 認證組織暨創投計畫主持人專家學院專家顧問團左永安顧問社團法人中華中小企業經營輔導專家協會工業類商業類資訊類三類經營管理專家檢定(驗證)考試品牌行銷管理專家檢定(驗證)考試企業輔導專家檢定(驗證)考試認證計畫主持人左永安顧問

2025年7月31日星期四

2025 07 31 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長金融業運用人工智慧(AI)指引一、人工智慧(AI)相關定義 (一) AI 系統定義： (二)生成式 AI 定義：二、AI系統生命週期主要包括以下4個階段：(一) 系統規劃及設計： (二) 資料蒐集及輸入：(三)模型建立及驗證： (四)系統佈署及監控：

金融業運用人工智慧(AI)指引

一、人工智慧(AI)相關定義

(一) AI 系統定義：

係指透過大量 資料學習，利用機器學習或相關建立模型之演算法，進行

1.感知、

2.預測、

3.決策、

4.規劃、

5.推理、

6.溝通

等模仿人類 學習、思考 及反應 模式之系統。

(二)生成式 AI 定義：

係指可以生成模擬人類智慧創造之內容的相關 AI 系統，其內容形式

包括但不限於

1.文章、

2.圖像、

3.音訊、

4.影片及

5.程式碼等。

二、AI系統生命週期

AI 系統的 生命週期 主要包括以下4個階段：

(一) 系統規劃及設計：

設定明確的系統目標及需求。

(二) 資料蒐集及輸入：

資料蒐集、處理並輸入資料庫之階段。

(三)模型建立及驗證：

選擇與建立模型演算法及訓練模型，並對模型 進行驗證

以確保模型 效能、安全性 與 機密性。

(四)系統佈署及監控：

將系統應用於實際環境中，且 關注模型 是否已完備，並 持續監控

以確認系統所帶來之潛在影響。

金融機構運用AI系統，可能為自行研發3並使用，因此包含上述4階段。

金融機構亦可能委託第三方業者研發或購入AI系統後，再佈署該系統並監控，

因此金融機構不盡然均會經歷上開4階段。

金融機構運用AI系統時宜辨識4個階段中可自行監控風險之程度，並得對自身

較無控制權的部分或事項，透過契約或其他方式與合作廠商

明訂風險監控責任之分工。

為簡化文字，本指引以

「導入(introduce)」AI，表示前述(一)、(二)及(三) 3階段，

以

「使用(use)」AI 表達第(四)階段。

至本指引之「運用(apply)」AI則係 整體性概念，包含上述4階段。

2025年7月29日星期二

2025 07 30 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 iPAS AI應用規劃師初級能力鑑定-考試樣題根據歐盟《人工智慧法》 AIA (Artificial Intelligence Act, AIA）的風險分級，這類應用屬於哪一風險等級？下列何者非大數據時代資料的特性？關於K平均法（K-means），下列敘述何者「不」正確？下列資料型態，何者最常用來儲存員工年齡、員工年資、貨品銷售量等資料？

假設某國正在考慮使用AI技術來進行社會信用評分，

並根據年齡、缺陷、種族等特徵來評定個人的信用；

同時，該國計劃在公眾場所使用遠程生物辨識系統進行執法，

目的在於提高社會秩序和安全。

上述AI應用可能會引發對隱私和個人權利的重大關注，

根據歐盟《人工智慧法》 AIA (Artificial Intelligence Act, AIA）

的風險分級，這類應用屬於哪一風險等級？

(A) 不可接受風險

(B) 高風險

(D) 小或低風險

下列何者非大數據時代資料的特性？

(A) 資料量大

(B) 資料變動速度快

(D) 資料存儲位置固定

關於K平均法（K-means），下列敘述何者「不」正確？

(A) 希望找出k個互不交集的群集

(B) 不同的起始群集中心，可能會造成不同的分群結果

(D) 可以處理類別型資料

下列哪一種資料類型 不屬於 非結構化資料？

(A) X光醫學影像

(B) 監控錄影畫面

(D) 組織內部的關係型資料庫記錄

下列資料型態，何者最常用來儲存員工年齡、員工年資、貨品銷售量等資料？

(A) 文字型（Text）

(B) 數值型（Numeric）

(D) 布林型（Boolean）

2025年7月26日星期六

2025 07 27 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師支援向量機 SVM (Support Vector Machine) KNN (K-Nearest Neighbor) 決策樹 Decision Tree 隨機森林與 GBDT (Gradient Boosted Decision Tree) 演算法「熵」（entropy，雜亂程度）資訊增益 (information gain) 過度擬合 (overfitting)

決策樹 Decision Tree

決策樹是樹狀演算法的代表，

其延伸還有隨機森林與 GBDT (Gradient Boosted Decision Tree) 演算法。

決策樹的核心概念就是在尋找「重要的屬性」，

怎樣才算是重要的屬性會 因用途 而有所不同，

但「重要的屬性」基本上能「降低某件事情的不確定性 的數量」；

在分類問題中，就是希望分割出來的群組內

越純、均一、同質性 越高越好，

而組間的差異要大。

決策樹的流程，就是在降低不純度同時理解這批資料。

最常見的分割原則稱為資訊增益 (information gain)，

它是一種以「熵」ㄕㄤ（entropy，雜亂程度）作為純度衡量基礎的方法。

當某個屬性對分類越有用，代表我們透過該屬性建立的區隔，

能大幅降低 entropy，使 資訊增益 大幅提升。

舉例來說，若要在一批貓與狗的資料中區分二者，

「毛色」可能無法帶來最大的資訊增益，而「耳朵形狀」

可能就能大幅降低分類的雜亂程度，大幅提高資訊增益。

因此「耳朵形狀」會是區隔貓狗中很重要的屬性。

樹狀結構由根部開始由上而下，由根節點開始、每個節點都用一個屬性

作檢驗，以分支出更多的內部節點與終端節點（即葉節點，為預測結果）

構成。

在上述的例子中，「耳朵形狀」作為重要的屬性，更可能被放在上方的節點。

決策樹有幾個特點：

人類容易解釋 if-then 的模型結果
資料若有些許變化，結果就會產明顯變化，預測性能稍差
只能批次學習
可處理 非線性的資料，但 不擅長處理 線性的資料
樹狀結構複雜多層的情形下容易產生 過度擬合 (overfitting) 的問題

支援向量機 SVM (Support Vector Machine)

SVM 的概念其實不像它的名字一樣難以理解；

SVM 的目標，是在畫出一條決策分界線 (decision boundary)，

在決策分界線的兩側找與這個邊界最相近的資料點作為 support vector，

希望最靠近邊界的這些 support vector 可以與這條現有最大的距離，

以便區分二類。

另外，SVM 演算法還會使用「核心」 (kernel) 的技巧。

核心 (kernel) 的概念就是，「在較低維度時無法以線性分割的資料，

將他們轉至更高維度，就是能夠線性分割的」；

想像手機遊戲《水果忍者》，如果那些水果全都放在桌上（二維），

你很難用一條直線將他們區隔開來，但當他們被拋到空中，

你就能在空中（三維）畫出一個切面來分隔這些水果，

而這個切面在三維空間裡屬於線性，但投射回平面，就可能是條曲線。

常見的核心技巧如

線性核心 (linear kernel)、

多項式核心 (polynomial kernel)、

RBF 核心 (radial basis function)。

SVM有以下幾個特點：

邊界最大化後，可得到一個平滑的超平面
可利用 kernel 技巧分離非線性的資料
可在線學習或批次學習

KNN (K-Nearest Neighbor)

KNN 演算法就如字面上意思一樣直觀，它會在輸入一筆資料 i 時，

根據與 i 最鄰近的 k 個已知資料類別，去決定該筆輸入資料的類別。

這種演算法除了做分類用途，也能用來做近似項目的搜尋。

須注意的是，如果當某個屬性值出現在絕大多數的資料中可能會影響結果。

例如 100 筆資料中有 90 筆具 A 屬性、10 筆具 B 屬性，則有可能

在測試資料的眾多特徵都偏向 B 時卻被分為 A 類，

因此資料須先經過正規化處理。

另外，k 的選擇也可能大幅影響決策分界線的結果，

原因是 k 具有類似「投票票數」的概念。

因此，當 k 為偶數而 k 個最近鄰居有多個類別「票數」一樣多時，

或當 k 為目標類別數的倍數時，都會有難以判定類別的問題。

另外，當 k 的數量過小或過大時，

也會產生 overfitting 或 underfitting 的問題。

選擇 k 值時，通常會將資料間的距離與散布方向作為驗證參考。

KNN 演算法幾個特點如下：

因為需計算每一筆資料之間的距離，計算上較耗時
k 的數量大幅影響預測的結果與性能

2025年7月25日星期五

2025 07 25左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長評量(Assessment)的定義形成性評量總結性評量教學評量想要瞭解學生：學習前的起點行為在哪裡？學習中應採取什麼教學策略？學習時有什麼障礙亟待克服？學習後是否達成預期的教學目標？人才發展品質管理系統 Talent Quality-management System 若想要追求金牌國立臺灣大學臺灣師範大學 EMBA 找左永安顧問輔導 AI-ESG- PMP- HRD- ICAP- IPAS 人力資源管理專案管理品牌管理策略管理關鍵就業力共通核心職能師資左記歐洲商行安永經營管理顧問

教學評量想要瞭解學生：

學習前 的 起點行為 在哪裡？

學習中 應採取什麼 教學策略？

學習時 有 什麼障礙 亟待克服？

學習後 是否 達成預期 的 教學目標？

評量(Assessment)的定義

評量(Assessment)的範圍較廣，以

1.測驗、

2.面談(interview)、

3.專案實作 (project)、

4.檔案評量(portfolio assessment)

等方式，以診斷學生的能力。

是指從多種角度 以 多種方法 去評估一個人的 知識或能力，

以作為教學或輔導效果的 證明及依據。

在使用「評量」這個詞時，除了評估學生的能力之外，

還包括 協助學生 解決問題。

形成性評量

不斷提供回饋 給學生和教師，使他們得知 教學和學習 的成功與失敗。

有助於教師 了解學生 在哪些方面的學習 尚未達到 教學目標 所要求的程度。

評量的範圍較小，內容僅限於教學的特定內容，可能只是一個概念或原則。

總結性評量

主要 在評估 本教學單元所列 教學目標 達成的程度，以及

檢討所用的 教學方法 是否適當有效，並且評定學生的 學習成果。

評量的 測驗試題 所涵蓋的難度範圍較廣，通常是抽取能代表 學習內容

的樣本作為試題，且多為常模參照。

2025年7月24日星期四

2025 07 24 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師美國聯準會（Fed）日前首度召開銀行監理高峰會，不僅邀來摩根大通、高盛、摩根士丹利等華爾街巨擘，更罕見安排OpenAI執行長阿特曼（Sam Altman）出席對談，引發市場矚目。

AI越來越強，卻也讓金融業面臨重大危機！OpenAI執行長示警詐騙風險

林彥呈的故事2025 07 23

阿特曼提出警告，金融界必須提防AI助長詐騙、偽造與誤導性金融商品的風險。（美聯社）© The Storm Media

美國聯準會（Fed）日前首度召開銀行監理高峰會，不僅邀來摩根大通、高盛、摩根士丹利等華爾街巨擘，更罕見安排OpenAI執行長阿特曼（Sam Altman）出席對談，引發市場矚目。阿特曼當場提出警告，金融界必須提防AI助長詐騙、偽造與誤導性金融商品的風險。

市場解讀，聯準會試圖調整長年以來由上而下、技術官僚主導的監理模式，轉向更「透明、簡化、可討論」的新架構。這場會議由聯準會副主席鮑曼（Michelle Bowman）主持，她強調銀行業需要明確規則，但也需要監理機關真正傾聽業界聲音，而不是「只看報表、缺乏實感」。

AI恐助長新型金融詐騙

阿特曼在與鮑曼的對談中警告，詐騙集團正快速利用生成式AI偽造資訊、複製聲音與圖像，讓詐騙更逼真，令人難以察覺，速度之快、規模之大，恐將超出監理者的想像。

阿特曼沒有點名特定案例，但外界普遍解讀，此言正是針對近期AI技術被濫用於假冒銀行客服、KYC（認識你的客戶）文件，甚至製作擬真CEO語音詐騙內部轉帳等案件。

根據阿特曼形容，這波風險不是未來式，而是當下進行式，「AI可以讓詐騙手法進入『規模化』與『自動化』階段，這不是單靠消費者警覺或防詐簡訊能解決的。」

金融業仍積極導入AI　「不做的話就沒未來了」

儘管阿特曼示警相關風險，不過他也坦言，早期最積極擁抱ChatGPT與AI技術的，正是金融業者本身，包括摩根士丹利、紐約梅隆銀行都已成為OpenAI的企業合作夥伴。

這些機構試圖透過內部控管、模型微調等手段，使得AI成為提升營運效率的工具，而非風險來源。阿特曼表示，一位銀行高層曾經說過一段讓他難以忘懷的言論，「我們知道這東西有風險，但如果不做，這家公司可能就沒未來了。」

2025年7月19日星期六

2025 07 19 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長環境部部長彭啓明18日表示，若台美關稅談判不佳，恐衝擊我國減碳目標。為了達到2050淨零碳排，我國除了在《氣候變遷因應法》明定2050目標之外2025年1月間於第3次氣候變遷對策委員會，拍板台灣NDC3.0目標為：2032年減碳32％±2％、2035年減碳38％±2％。彭啓明提及，未來將調整部內業務，環境部監資司更名為「AI司」，除了修正廢棄物清理法及「資源循環推動法」，未來將推動台灣的總量管制碳排放交易（ETS），預估2026年上路。

環長：關稅談判恐衝擊減碳目標

林良齊／台北報導的故事中時新聞網

環境部部長彭啓明18日表示，若台美關稅談判不佳，恐衝擊我國減碳目標。（本報資料照片）

美國總統川普4月初公布我國對等關稅為32％，雖然宣布暫緩實施，我方稅率也還在談判，但之後就會上路。環境部長彭啓明18日出席「邁向淨零減汙共利雙贏策略的新方向研討會」致詞時表示，目前正在討論2035年第三期國家自定減碳目標（NDC3.0），並規畫2032年達32％±2％、2035年達38％±2％，但若台美關稅談判不佳，±2％區間調整，恐會變成±3％。

　為了達到2050淨零碳排，我國除了在《氣候變遷因應法》明定2050目標之外，也要求行政部門應規畫各期階段管制目標，而第三期階段管制目標為2030年28％±2％，

賴清德總統2025年1月間於第3次氣候變遷對策委員會，拍板台灣NDC3.0目標為：2032年減碳32％±2％、2035年減碳38％±2％。

彭啓明表示，由於川普上任帶來不確定性，原本2030年減碳目標為24％±1％，後來提高目標及因應川普上任修正為28％±2％，如果關稅談判結果不好的話，可能會變成±3％。至於減碳重要關鍵之一為電力排碳係數下降，依照規畫，將在2030年再生能源達30％、減少燃煤發電等方式降低，但擔心各界對再生能源看法不一，恐怕會成為顯著阻礙。

　彭啓明提及，未來將調整部內業務，環境部監資司更名為「AI司」，除了修正廢棄物清理法及「資源循環推動法」，未來將推動台灣的總量管制碳排放交易（ETS），預估2026年上路。

　環境權保障基金會研究員湯琳翔認為，因為美國關稅變成±3％的說法，只是在為減碳不力打預防針，減碳成績不能因為關稅變差，是否能夠落實的關鍵為減碳行動計畫、減碳旗艦計畫能否被具體落實。

　湯琳翔也提及，再生能源發展確實為減碳重中之重，但近日接連發生高雄大樹光電案遭撤、丹娜絲颱風重創地面型光電，呼籲應透過事前審議妥為把關，而不是放任業者自行開發。

2025年7月17日星期四

2025 07 17 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師資料分析選擇適合的分析方法： o 描述性統計：計算平均值、中位數、標準差、變異數等來描述資料的分佈情況。 o 推論性統計：進行假設檢定 (t 檢定、卡方檢定)、相關分析、迴歸分析等，從樣本推論到母體。 o 資料探勘： 1.使用分群分析 (K-means )、 2 .分類分析 (決策樹、隨機森林)、 3.關聯分析 (Apriori 演算法) 等技術。 o 機器學習：應用監督式學習與非監督式學習技術，如 1.線性迴歸、 2.支援向量機 (SVM)、 3.神經網路、 4 .深度學習等。

資料分析

選擇適合的分析方法：

o 描述性統計：

計算平均值、中位數、標準差、變異數等來描述資料的分佈情況。

o 推論性統計：

進行假設檢定 (t 檢定、卡方檢定)、相關分析、迴歸分析等，

從樣本推論到母體。

o 資料探勘：

1.使用分群分析 (K-means )、

2 .分類分析 (決策樹、隨機森林)、

3.關聯分析 (Apriori 演算法) 等技術。

o 機器學習：

應用監督式學習與非監督式學習技術，如

1.線性迴歸、

2.支援向量機 (SVM)、

3.神經網路、

4 .深度學習等。

結果驗證與檢查：

o 交叉驗證：檢查模型的穩定性與泛化能力。

o 模型評估：

使用指標 (如準確率、精確率、召回率、F1 分數等)

來檢驗分析結果的準確性與效果。

2025年7月16日星期三

2025 07 16 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師促進永續發展 1. 環境影響管理： 2. 數位包容： 3. 員工 AI 培訓：重視公平性及以人為本的價值觀 1. 公平性原則： 2. 人類監督：人在指揮 (HIC)：人在迴圈內 (HITL)：人在迴圈上 (HOTL)：3. 救濟機制：

促進永續發展

1. 環境影響管理：

o 優化 AI 運算效率，降低能耗。

o 使用節能硬體與伺服器，減少資源消耗。

2. 數位包容：

o 透過 AI 技術降低數位落差，提供公平的數位金融服務。

o 設計面向弱勢群體的 AI 服務，降低數位焦慮。

3. 員工 AI 培訓：

o 幫助員工適應 AI 技術發展， 降低自動化 對工作權益的影響。

o 提供 AI 相關教育訓練，提高 數位轉型 適應能力。

重視公平性及以人為本的價值觀

1. 公平性原則：

o AI 運用不應造成 歧視或偏見，應確保決策合理性與準確性。

o AI 決策過程須定期審查，驗證其公平性，

避免對特定群體造成系統性不利影響。

2. 人類監督：

o 人在指揮 (HIC)：人類全面控制 AI 運用。

o 人在迴圈內 (HITL)：AI 提供建議，但最終決策由人類執行。

o 人在迴圈上 (HOTL)：AI 進行自動決策，僅在異常情況下由人類干預。

3. 救濟機制：

o AI 決策 應提供適當的申訴或糾正錯誤機制，以保障消費者權益。

2025年7月11日星期五

2025 07 12 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI 應用規劃師職能基準主要職責 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）

AI 應用規劃師職能基準

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

1.2.1 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 07 11 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長永續管理師 AI企畫師 AI 管理顧問師 AI 應用規劃師 AI 應用規劃師職能基準職類別 :科學、技術、工程、數學／數學及科學職業別 :資訊及通訊專業人員／軟體開發及程式設計師行業別 :出版影音及資通訊業/資訊服務業職類別代碼 :SMS 職業別代碼 : 2512行業別代碼 : J63 基準級別 :5

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

職類別 :科學、技術、工程、數學／數學及科學

職業別 :資訊及通訊專業人員／軟體開發及程式設計師

行業別 :出版影音及資通訊業/資訊服務業

職類別代碼 :SMS

職業別代碼 : 2512

行業別代碼 : J63

工作描述 : 了解 AI 工具的特性及具備使用經驗，以協助企業規劃與

推動 AI 技術或工具導入，根據企業部門業務需求，

評估並選擇適合的 A I 工具或解決方案，

應用於內部流程或產品生命週期。

1. 整合跨部門團隊，

2.共同制定與執行 AI 導入計畫，

3.進行開發、

4.部署及後續優化。

基準級別 :5

2025年7月10日星期四

2025 07 10 左永安顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長考科 2：資料處理與分析概論-參考樣題下列何者不是用於資料的相關性分析（Correlation Analysis）？繪製下列何種圖表，資料集內至少需要包含兩個變量？

考科 2：資料處理與分析概論-參考樣題

1. 下列何項非資料前處理的步驟？

(A) 資料清理（Cleaning）

(B) 資料操弄（Manipulation）

(D) 資料變形（Reshaping）

2. 假設 Facebook 公司給您 1000 位用戶的基本資料，如：姓名、性別、年齡、

學校、居住地，最可能是 R 語言中的何種資料結構？

(A) 資料框架（Data frame）

(B) 串列（List）

(D) 矩陣（Matrix）

3. 使用下列何種方法，可以知道資料之中有偏差甚大的離群值存在？

(A) 將該欄位資料繪製成盒鬚圖（Box plot）

(B) 將資料以直方圖（Histogram）表示

(D) 以上皆是

4. 下列何者不是資料倉儲的特性？

(A) 主題導向的（Subject-oriented）

(B) 經過整合的（Integrated）

(D) 屬於 OLTP 系統

5. 下列何者為資料遺缺的狀況？

(A) 完全隨機誤差（Missing Completely at Random，MCAR）

(B) 隨機誤差（Missing at Random，MAR）

(D) 以上皆是

6. 繪製下列何種圖表，資料集內至少需要包含兩個變量？

(A) 直方圖（Histogram）

(B) 圓餅圖（Pie chart）

(D) 盒鬚圖（Box plot）

7. 下列何者不是用於資料的相關性分析（Correlation Analysis）？

(A) 卡方檢定

(B) 相關係數

(D) 四分位數

訂閱：文章 (Atom)

2025年7月31日 星期四

2025年7月29日 星期二

2025年7月26日 星期六

決策樹 Decision Tree

支援向量機 SVM (Support Vector Machine)

KNN (K-Nearest Neighbor)

2025年7月25日 星期五

2025年7月24日 星期四