1. AI基礎概論:理解人工智慧、機器學習與深度學習的層級關係,以及避免「數據解讀偏誤」與「模型偷看答案的資料洩露」等底層邏輯。
2. 生成式AI:掌握大型語言模型(LLM)的文字接龍原理、提示工程(Prompt Engineering)技巧,以及企業如何評估導入RAG(檢索增強生成)或Fine-tuning(微調)。
3. 機器學習:不考寫程式,考的是情境判斷力!理解監督式、非監督式及強化學習的任務分類,並學會用混淆矩陣(Confusion Matrix)來判斷模型好壞,破解高準確率的迷思。
4. 專案規劃與倫理:學習AI專案生命週期,懂得如何將老闆抽象的商業目標(如:提升客戶滿意度)轉化為可衡量的「代理指標」,並防範演算法偏見與遵循GDPR等個資法規。
5. 雲端AI服務與部署:認識微軟、Google、AWS等現成雲端認知服務,學習No-code/Low-code開發工具,並評估在聯網受限或低延遲情境下,採用「邊緣部署」的策略。