iPAS AI應用規劃師考試重點整理 - L11402 鑑別式AI與生成式AI的整合應用

#1

★★★★★

整合應用核心概念：鑑別式與生成式AI的互補性

核心概念

鑑別式AI (Discriminative AI) 擅長分類、預測、判斷（Is this A or B?），而生成式AI (GenAI - Generative AI) 擅長創造新的內容（Create something like A）。兩者結合可以取長補短，實現更複雜、更強大的功能。整合應用旨在利用這種互補性來達成單一類型AI難以完成的任務。(課程規劃書 L114; 製造業指引 P10-11)

#2

★★★★

整合應用的主要模式

核心概念

常見的整合模式包括：

生成後鑑別：GenAI生成多個選項，鑑別式AI評估或篩選最佳選項。
鑑別後生成：鑑別式AI識別出特定情況或需求，GenAI根據該情況生成對應的回應或內容。
資料增強：GenAI生成合成數據，用於擴充鑑別式AI的訓練資料。
迭代優化：兩者相互作用，例如GenAI生成設計，鑑別式AI評估其效能，再由GenAI根據評估結果優化設計。

(評鑑內容 L11402; 課程規劃書 L114)

#3

★★★★★

利用鑑別式AI評估生成內容的品質與合適性

核心概念

由於GenAI可能產生幻覺或不相關內容，可以訓練一個鑑別式AI模型（如分類器）來自動評估生成內容的品質。例如，評估生成的文本是否流暢、是否包含不當詞彙、是否符合特定風格，或評估生成的圖像是否清晰、是否符合描述。這有助於自動過濾或標記低品質的生成結果。

#4

★★★★

鑑別式AI用於事實核查與一致性檢查

核心概念

可以利用鑑別式AI（例如，訓練一個模型來判斷陳述的真實性或來源）對GenAI生成的文本進行事實核查。或者，利用自然語言推論 (NLI - Natural Language Inference) 模型檢查生成內容與原始資料或已知事實之間的一致性，以減少幻覺的影響。

#5

★★★★

鑑別式AI識別觸發條件，生成式AI產生回應

核心概念

在智能客服或自動化流程中，可以先用鑑別式AI（如意圖識別模型、情感分析模型）分析用戶的輸入或監控系統狀態，判斷是否達到某個需要回應的條件（如偵測到客戶抱怨、系統異常）。一旦觸發，再調用GenAI生成適當的回覆（如安撫郵件草稿、初步的故障排除建議）。(製造業指引 P10)

#6

★★★

個性化推薦與生成

核心概念

首先使用鑑別式AI（如協同過濾、分類模型）分析用戶的偏好、行為或屬性，預測其可能感興趣的產品或內容類別。然後，利用GenAI針對這些預測結果，生成個性化的推薦說明、產品描述、行銷文案或甚至客製化的產品設計草圖。

#7

★★★★

利用GenAI生成合成數據 (Synthetic Data)

核心概念

當鑑別式AI模型所需的真實訓練數據不足、難以取得或涉及隱私時，可以使用GenAI（如 GAN - Generative Adversarial Network）生成與真實數據分布相似的合成數據。這些合成數據可以用來擴充訓練集，提升鑑別式AI模型的效能和穩健性，特別是在處理數據不平衡問題時。(課程規劃書 L114; 公部門手冊 P8)

#8

★★★

合成數據的品質評估

核心概念

使用GenAI生成的合成數據時，需要評估其品質。可以使用鑑別式AI模型來判斷合成數據與真實數據的相似度，或者直接用合成數據訓練模型，觀察其在真實測試集上的表現。確保合成數據的擬真度和多樣性是關鍵。

#9

★★★★

人機協作：AI生成草稿，人類審核優化

核心概念

這是常見的整合應用模式。由GenAI快速生成初步的內容草稿（如報告、信件、程式碼），再由人類專家進行審核、修改和最終確認。這裡雖然不直接涉及鑑別式AI，但人類扮演了鑑別者的角色，確保內容的準確性、合適性和品質。這種模式結合了AI的效率和人類的判斷力。(公部門手冊P85)

#10

★★★

整合AI優化現有工作流程

核心概念

評估現有工作流程中哪些環節可以透過鑑別式AI進行自動判斷或預測，哪些環節可以透過GenAI自動生成所需內容或執行動作。將兩者嵌入流程中，例如，先用鑑別式AI判斷客戶郵件的緊急程度和類別，再由GenAI草擬不同優先級的回覆模板。

#11

★★★

案例：金融領域的智能客服整合

核心概念

整合應用範例： 1. 客戶輸入問題 (GenAI - NLP 理解)。 2. 鑑別式AI 判斷問題意圖與複雜度。 3. 若為常見問題，GenAI 從知識庫 (RAG) 檢索資訊並生成回答。 4. 若為複雜或敏感問題，鑑別式AI 判斷需轉接人工客服。 5. GenAI 可先生成對話摘要給人工客服參考。 (金融業指引P5)

#12

★★

案例：製造業的瑕疵檢測與報告生成

核心概念

整合應用範例： 1. 鑑別式AI (電腦視覺) 檢測生產線上的產品影像，判斷是否有瑕疵及其類型。 2. 若檢測到瑕疵，觸發GenAI。 3. GenAI根據瑕疵類型、位置、嚴重程度等資訊，自動生成初步的品質異常報告或維修建議。 (製造業指引P10)

#13

★★★★

整合應用的技術挑戰：模型串接與延遲

核心概念

將不同類型（甚至來自不同供應商）的鑑別式與生成式模型串接在一個流程中可能存在技術難度，需要處理資料格式轉換、API呼叫、錯誤處理等問題。多個模型的串接也可能增加整體的處理時間與延遲，影響使用者體驗。

#14

★★★

整合應用的管理挑戰：複雜度與維護

核心概念

管理一個包含多種AI模型的整合系統比管理單一模型更複雜。需要監控和維護每個模型的效能，並確保它們之間的協同運作順暢。當某個模型更新或更換時，可能需要調整整個整合流程。

#15

★★

整合應用的未來趨勢：更無縫、更智能

核心概念

未來趨勢可能包括更緊密的模型整合（例如，單一模型內含鑑別與生成能力）、更智能化的流程自動化（能根據情境自動選擇和調用不同AI能力），以及更強的人機協作介面，讓人類更容易與整合後的AI系統互動。

iPAS AI應用規劃師 考試重點

iPAS AI應用規劃師考試重點