iPAS AI應用規劃師 考試重點
L11101 AI的定義與分類
篩選主題：
全部主題
人工智慧基礎概念與演進
資料基本概念與分析
機器學習基本原理
鑑別式與生成式AI原理與應用
No Code/Low Code 基本概念
生成式AI應用領域與工具
生成式AI導入評估與規劃
重要性：
全部重要性
★★★★★
★★★★
★★★
★★
★
搜尋：
搜尋
主題分類
1
人工智慧基礎概念與演進
2
資料基本概念與分析
3
機器學習基本原理
4
鑑別式與生成式AI原理與應用
5
No Code/Low Code 基本概念
6
生成式AI應用領域與工具
7
生成式AI導入評估與規劃
#1
★★★★★
人工智慧
(
AI
) 的定義與範疇
核心概念
瞭解
人工智慧
的
基本定義、核心目標與發展演進
。 知道
AI
技術涵蓋的
主要領域
，如
機器學習
、
深度學習
、
自然語言處理
、
電腦視覺
等。 對應能力：K01, K09
#2
★★★★
AI 治理
與
倫理概念
核心概念
理解
AI
技術在
隱私、安全性與倫理層面可能面臨的挑戰
。 瞭解
AI 治理
(
AI Governance
) 的重要性，包含
倫理原則、偏見防範、透明度、可解釋性
等議題。 對應能力：K10, K12, K13, S02, S03
#3
★★★
AI
技術發展趨勢
核心概念
掌握
AI
技術的
最新發展與未來趨勢
，瞭解其對不同產業的潛在影響。 對應能力：P1.1.1, P4.2.1, K01, K02, S01, S02
#4
★★★★★
資料基本概念 (定義與分類)
核心概念
理解
資料的定義、來源、類型
（如
結構化
、
非結構化
）與
特性
（如
大量性
、
高速性
、
多樣性
-
Volume, Velocity, Variety
）。 對應能力：K04, K11
#5
★★★★★
資料處理的基本方法
核心概念
瞭解資料處理流程，包括
資料收集、清洗、轉換、整合
等基本步驟與常用技術。 對應能力：K11, S08
#6
★★★★
資料分析流程與統計方法
核心概念
掌握
描述性統計
、
探索性資料分析
(
EDA
) 的基本概念與流程。 瞭解常用
統計方法
（如平均數、中位數、標準差）及其應用。 對應能力：K03, K11, S08
#7
★★★★
資料分析工具簡介與應用案例
核心概念
認識常用資料分析工具（如
Excel
,
Python
函式庫
Pandas
,
Tableau
等）及其
基本功能與應用場景
。 理解
資料視覺化
(
Data Visualization
) 的重要性。 對應能力：K11, S09, S10
#8
★★★★
資料隱私與安全
核心概念
瞭解
個人資料保護法
(
個資法
) 的基本要求，以及在資料處理過程中
保護資料隱私與安全
的重要性與常用方法（如
去識別化
）。 對應能力：K12, K13
#9
★★★
資料在
AI
模型中的角色與作用
核心概念
理解
資料品質對 AI 模型訓練的重要性
，以及資料在
特徵工程
(
Feature Engineering
) 中的應用。 對應能力：K04, K05, K11
#10
★★★★★
機器學習
(
ML
) 基本原理與架構
核心概念
瞭解
機器學習
的
定義、核心概念
（如
訓練資料
、
模型
、
預測
）與
基本架構
。 對應能力：K01, K05
#11
★★★★★
機器學習
類型與常見模型
核心概念
區分
監督式學習
(
Supervised Learning
)、
非監督式學習
(
Unsupervised Learning
)、
強化學習
(
Reinforcement Learning
) 等主要類型。 認識常見模型如
線性迴歸
、
邏輯迴歸
、
決策樹
、
K-means
等及其適用場景。 對應能力：K05, L11302
#12
★★★★
資料處理及模型訓練與評估
核心概念
瞭解
模型訓練
(
Training
)、
驗證
(
Validation
) 與
測試
(
Testing
) 的基本流程。 認識常見的
模型評估指標
（如
準確率
Accuracy
、
精確率
Precision
、
召回率
Recall
、
F1-Score
）。 理解
過度擬合
(
Overfitting
) 與
不足擬合
(
Underfitting
) 的概念。 對應能力：K05, K11, S03, S08, S10
#13
★★★
機器學習
應用案例
核心概念
透過實際案例了解
機器學習
在
不同領域
（如金融、醫療、零售）的應用。 對應能力：K02, K05, S01, S10
#14
★★★★★
鑑別式AI
(
Discriminative AI
) 與
生成式AI
(
Generative AI
) 的基本原理與比較
核心概念
理解
鑑別式AI
（
學習決策邊界
，如分類）與
生成式AI
（
學習資料分佈
，以生成新資料）的
核心差異、優缺點及適用場景
。 對應能力：K09, L11401
#15
★★★★
鑑別式AI
與
生成式AI
的基本核心技術介紹
核心概念
簡介
鑑別式模型
（如
SVM
,
邏輯迴歸
）與
生成式模型
（如
GAN
,
VAE
,
Transformer
）的
基本概念
。 對應能力：K05, K09
#16
★★★★
鑑別式AI
與
生成式AI
的整合應用案例分享
核心概念
瞭解兩種
AI
模型如何
結合應用
以解決更複雜的問題，例如在
影像生成與辨識
、
自然語言處理
等領域。 對應能力：K09, L11402, S10, S15
#17
★★★
生成式 AI
的倫理與風險
核心概念
探討
生成式 AI
可能帶來的
倫理挑戰
（如
深度偽造 Deepfake
、
版權問題
）與
相關風險
。 對應能力：K10, K12, K15
#18
★★★★★
No Code
/
Low Code
平台的基本概念與比較
核心概念
理解
No Code
（
無需編程
）與
Low Code
（
少量編程
）平台的定義、
核心差異、目標用戶與適用場景
。 對應能力：L12101
#19
★★★★
No Code
/
Low Code
平台在
生成式 AI
應用中的功用與優勢
核心概念
瞭解這些平台如何
簡化 AI 應用開發流程
，
降低技術門檻
，使非專業開發者也能快速建構和部署
AI
應用（如聊天機器人、自動化流程）。 對應能力：L12102, S10
#20
★★★
選擇與評估
No Code
/
Low Code
平台
核心概念
掌握
選擇合適平台
的考量因素，如
功能性、易用性、擴展性、成本、安全性
及社群支援。 對應能力：S03, S04, S10
#21
★★★★
使用
No Code
/
Low Code
工具進行
AI
解決方案設計與測試
核心概念
瞭解如何利用平台的
視覺化介面和預建構模組
來設計、建構和測試
AI
應用，
無需或少量編寫程式碼
。 對應能力：P1.3.2, S10, S15
#22
★★★★★
生成式 AI
基本概念與核心技術
核心概念
再次強調
生成式 AI
的定義，並深入介紹其
核心技術
，如
大型語言模型
(
LLM
)、
生成對抗網路
(
GAN
) 等。 對應能力：K09
#23
★★★★★
常見
生成式 AI
工具介紹與基本操作
核心概念
介紹市面上常見的
生成式 AI
工具（如
ChatGPT
,
Midjourney
,
Copilot
等），並示範其
基本操作方式
與
應用技巧
（如
提示工程 Prompt Engineering
）。 對應能力：L12201, L12202, S10
#24
★★★★
生成式 AI
在各領域的應用發展
核心概念
探討
生成式 AI
在
內容創作、程式碼生成、客戶服務、數據增強
等不同領域的實際應用案例與發展潛力。 對應能力：K02, L12201, S02, S10
#25
★★★★
生成式 AI
應用時面臨的挑戰與風險管理
核心概念
討論在應用
生成式 AI
時可能遇到的
挑戰
（如
幻覺 Hallucination
、
偏見
、
資料安全
）以及相應的
風險管理策略
。 對應能力：K10, K12, K13, K15, P4.2.1, S03, S14
#26
★★★★★
生成式 AI
的商業價值與應用前景
核心概念
分析
生成式 AI
能為企業或組織帶來的
潛在商業價值
（如
提升效率、降低成本、創造新服務
），評估其應用前景。 對應能力：K03, K07, S02, S14
#27
★★★★★
生成式 AI
導入評估框架與標準
核心概念
介紹評估是否導入
生成式 AI
的
框架
，包含
需求分析、可行性評估、效益評估、風險評估
等面向的考量標準。 對應能力：L12301, S03, S04, S11, S14
#28
★★★★★
生成式 AI
導入的規劃流程
核心概念
掌握導入
生成式 AI
的
初步規劃步驟
，包括
定義目標、確認需求、選擇工具/技術、規劃資源（人力、預算）、設定時程、試用測試
等。 對應能力：L12302, P1.2.1, P1.3.1, P2.1.1, K08, S04, S05, S06, S07
#29
★★★★
生成式 AI
導入實施與運營
核心概念
瞭解
AI
導入後的
實施、整合、監控與維護
流程，確保系統
穩定運行並持續優化
。 對應能力：P1.3.2, P3.2.1, K08, K19, S07, S10, S14
#30
★★★★★
生成式 AI
風險管理
核心概念
識別、評估與管理導入
生成式 AI
過程中可能遇到的
各類風險
（如
技術風險、資料風險、倫理風險、法律合規風險
），並制定應對策略。 對應能力：L12303, K10, K12, K13, K15, K20, P1.3.1, S03, S05, S07, S11, S13, S20
#31
★★
早期
AI
的發展歷史
核心概念
簡略了解
AI
從早期
符號主義
到
連接主義
的發展歷程，認識重要里程碑（如
Dartmouth Workshop
）。 對應能力：K01
#32
★★★
資料倉儲 (
Data Warehouse
) 與資料湖 (
Data Lake
) 的概念
核心概念
理解
資料倉儲
（儲存結構化資料用於分析）與
資料湖
（儲存原始、多樣化資料）的
區別與用途
。 對應能力：K04, K11
#33
★★★★
交叉驗證 (
Cross-Validation
)
核心概念
瞭解
交叉驗證
是一種常用的
模型評估技術
，用以
更可靠地評估模型
在
未見數據上的表現
，並減少因
單次數據劃分
帶來的
隨機性
。常見方法如
K-fold Cross-Validation
。 對應能力：K05, S03, S11
#34
★★★
大型語言模型 (
LLM
) 基礎
核心概念
認識
大型語言模型
是
生成式 AI
的核心技術之一，通常基於
Transformer
架構，透過
大規模文本資料預訓練
而成，能理解和生成
自然語言
。 對應能力：K09
#35
★★
公民開發者 (
Citizen Developer
)
核心概念
瞭解
公民開發者
是指
非專業
的
軟體開發人員
，他們利用
Low Code
/
No Code
平台來
建立業務應用程式
。 對應能力：L12101
#36
★★★★
提示工程 (
Prompt Engineering
)
核心概念
理解
提示工程
是設計和
優化輸入提示
(
Prompt
)以引導
大型語言模型
生成
期望輸出
的過程。良好的提示能顯著提升
生成內容的質量和相關性
。 對應能力：L12202, S10
#37
★★★★
成本效益分析 (
Cost-Benefit Analysis
)
核心概念
在
AI
導入評估中，
成本效益分析
是評估項目
潛在收益與所需成本
的方法，用以判斷項目是否
值得投資
。 對應能力：K03, K07, K08, S14, S20
#38
★★★
人力資源管理 (
HRM
) 考量
核心概念
導入
AI
時需考量對
人力資源
的影響，包括
技能需求變化、員工培訓、工作流程調整、潛在的職位變動
等。 對應能力：K20, S07
沒有找到符合條件的重點。
↑