電腦視覺演算法之人臉辨識實戰【本課程為線上課，報名後專員會提供上課資訊】
104學習
影像辨識演算法
這項技能主要是利用電腦視覺技術，讓系統能自動從圖片或影片中辨識出特定物體、人物、場景或文字。它在安防監控、醫療診斷、智慧製造和自動駕駛等領域非常重要。具備這項能力的人才，不僅能設計高效的辨識模型，還能優化演算法提升準確率與速度，幫助企業提升自動化程度與決策效率，未來職場需求持續增加。
提升你的實力，朝專業更進一步
精選課程
充實自己，讓能力持續成長
深度學習實戰-影像辨識篇
Python + OpenCV 輕鬆上手玩 AI 影像辨識
人工智慧-Python與資料科學【本課程為線上課，報名後專員會提供上課資訊】
AI快速完成專業簡報
無基礎學python
人工智慧-機器學習【本課程為線上課，報名後專員會提供上課資訊】
Canva x AI –提案簡報高效製作【04/10】-線上直播
Python程式設計【本課程為線上課，報名後專員會提供上課資訊】
Canva x AI –提案簡報高效製作【05/15】-線上直播
精選證照
考取專業證照，讓能力被市場看見
人工智慧：機器學習 Python
人工智慧研究如何使機器具有類似人類學習及解決複雜問題、抽象思考、展現創意等能力，是能讓事物變更聰明的科技。其研究範圍包含了：電腦視覺、語音工程、自然語言處理、移動與控制等。做為人工智慧體系的一部分，「機器學習」是一種資料科學的技術，也是實現人工智慧的一種方式，從資料中學習，獲得辨識或預測新進資料的技能，以協助電腦預測未來的行為、結果和趨勢，其技術廣泛應用在不同領域。
財團法人電腦技能基金會TQC+人工智慧：機器學習的題目設計包含：「監督式學習」、「非監督式學習」、「機器學習應用」等必備的知識及技術，運用不同機器學習方法進行實際案例之分析預測。
財團法人中華民國電腦技能基金會
SSE AI 提示詞工程師
[ 引領AI時代的語言設計專家認證 ]
隨著生成式人工智慧（Generative AI）快速崛起，從文字生成、圖像創作、音樂編排到自動化工作流程，「提示詞（Prompt）」設計能力已成為駕馭AI的關鍵技能。而「Prompt Engineer（提示詞工程師）」作為新興且高度需求的職業角色，正逐漸在學術界與職場上嶄露頭角。 AI Prompt Engineer 國際認證應運而生，旨在建立一套標準化、系統性的評量機制，協助學習者掌握與AI互動的語言設計邏輯，具備實務操作能力與創造性思維，為進入AI產業奠定堅實基礎。
Silicon Stone Education (SSE)
ICTP計算機程式語言能力國際認證
當全球各國與地區將CTP (Computational Thinking for Programming，運算思維與程式設計) 納入教育發展戰略，並視其為科技與經濟成長的關鍵驅動力時，運算思維與程式設計已成為現代科技教育中不可或缺的核心能力。
(ICTP)Programming for Information and Communication Technology Programs 計算機程式語言能力國際認證為專為程式設計入門者設計，旨在培養其基礎編程能力，並奠定運算思維的扎實基礎，以提升其在數位時代的競爭力。
Global Learning and Assessment Development (GLAD)
生成式 AI 技術開發技能證書
AWS 為協助個人突破職涯新價值，推出「AI 人才就緒計畫 」(AI-Ready Talent Development Program)，針對不同角色免費提供系列生成式 AI 課程、專業 AI 認證備考資源、AWS 生成式 AI 服務試用，更進一步協助您取得 AI 認證！
學習本課程，您將能了解提示工程、檢索增強生成與微調的最佳實踐、掌握生成式 AI 端到端流程建溝以及驅動 AI 流程須考量的數據、儲存與運算等基礎架構。還能進一步了解如何將 AWS生成式AI服務應用在實際營運情境。
AWS
Scratch程式設計與邏輯思考
Scratch 程式設計與邏輯思考: 通過 Scratch 平台，培養程式設計和邏輯思考能力，適合初學者入門，創建互動式故事和遊戲。
Scratch是一種視覺化的編程語言，旨在以有趣和互動的方式教授編程概念和邏輯思維。對於初學者來說，Scratch尤其適合作為學習編程的起點。通過Scratch，學習者可以理解基本的編程概念，培養邏輯推理能力，為未來的編程學習打下堅實的基礎。
TIPCI臺灣國際專業認證學會
Google專業級機器學習工程師認證
專業級機器學習工程師利用 Google Cloud 功能與機器學習方法的知識，來建立、評估、生產和優化AI解決方案。機器學習工程師處理大型、複雜的資料集，並建立可重複、可重複使用的程式碼。 根據基礎模型設計，同時實施生成式AI解決方案。
機器學習工程師著重AI實踐，與其他職位密切合作，以確保AI應用程式的穩定與成功。
機器學習工程師具有扎實的程式設計能力、資料平台以及分散式資料處理工具的經驗。精通模型架構、資料和機器學習管道創建、生成式 AI 和指標解釋等領域。
機器學習工程師須熟悉MLOps、應用程式開發、基礎架構管理、資料工程和資料治理的基礎概念。 幫助團隊有效運用AI解決方案。透過訓練、再訓練、部署、調度、監控和改進模型。
Google
精選貼文，掌握第一手知識
職場必學的 10 套 AI 工具：從新手嘗試到高效運用，打開你的 AI 職能地圖
文／知識遊牧工作室 - 彭其捷（https://knowmad.tw/）
在數位轉型浪潮中，AI 正迅速成為提升工作效率的關鍵助手。本文精選10大職場必學AI工具搭配6個步驟，從輕鬆互動、焦點痛點，到工具比對與指令模板，讓您輕鬆探索如何讓 AI 成為職場外掛，助力專業成長。
在瞬息萬變的數位時代，AI 已成為各行各業的日常夥伴。生成式 AI（Generative AI）就像全天候不眠不休的數位助理，幫助你發想、替你省下大量重複性工作，將時間留給更有價值的任務，對於大部分的職場人士來說，AI 工具都可以顯著的提升生產力。PwC《2025 全球 AI 就業報告》也顯示，具備 AI 應用能力的員工，平均薪資比同職位高 56%。
AI 工具百百款，你是否覺得眼花繚亂，不知如何下手呢？本文精心挑選了 10 套「職場必學」的 AI 工具，涵蓋文字生成、資料分析、翻譯、簡報製作到影音創作，並彙整為三大類：
分類工具適合對象核心價值對話助理 ChatGPTGeminiCopilot需要寫作、溝通、研究的人快速生成與整理文字、激發創意資料整理 Claude AIPerplexity、NotebookLMDeepL需要處理數據、翻譯、文件與跨平台資訊的知識工作者提升資料處理效率與可檢索性視覺呈現Napkin AIGammaLumalabs.ai常做簡報、需要視覺化資訊、影音製作的人透過 AI 生成原本較困難的視覺化產出
一、對話助理類
1. ChatGPT — 全方位 AI 對話助手
網址：https://chat.openai.com/
無庸置疑是最領頭的 AI 工具，市佔率也最高，主要由 OpenAI 開發，能生成文字、分析資料、整理摘要、發想創意，也支援圖片、文件與數據分析。
情境：撰寫報告、提案草稿、會議紀錄、電子郵件、快速學新知。
技巧：使用 Aim/Input/Output 結構下指令，並指定對象與語氣。
案例：行銷專員用 ChatGPT 快速產出新品 EDM 初稿，節省 70% 時間。
2. Gemini — 工作與生活整合好幫手
網址：https://gemini.google.com/app
Google 開發，與 Google Workspace 無縫整合，可從 Gmail、Docs、Sheets、Drive 搜尋與摘要，並串聯 Maps、Calendar。
情境：出差規劃、郵件整理、影片摘要。
技巧：指定檢索範圍、整合行程表。
案例：專案經理用 Gemini 在一小時內完成完整出差計畫。
3. Copilot — Office 生態系 AI 助手
網址：https://copilot.microsoft.com/
整合於 Microsoft Word、Excel、PowerPoint、Outlook，能分析數據、生成簡報、撰寫與回覆郵件。
情境：Excel 分析、PPT 初稿、郵件摘要。
技巧：明確指定資料範圍與輸出格式，搭配 OneDrive。
案例：財務分析師用 Copilot 在 10 分鐘完成原需半天的營收分析。
二、資料整理類
4. Claude AI — 長文、程式碼撰寫好幫手
網址：https://claude.ai/
擅長寫程式、長文本處理與多檔案分析，適合專業文件與合約摘要等等任務。
情境：程式撰寫、PDF / Word 摘要，互動內容產出，重點整理。
技巧：指定摘要範圍與輸出格式，可多輪提問。
案例：法律助理用 Claude 摘要 80 頁合約的義務與條款。
5. Perplexity — 即時搜尋與知識整理專家
網址：https://www.perplexity.ai/
結合搜尋引擎與 AI，能檢索最新資訊並附來源連結。
情境：市場調研、競品分析、國際法規整理。
技巧：要求附連結、用表格整理、雙語搜尋。
案例：人資主管用 Perplexity 搜集國外企業 AI 招募案例表格。
6. NotebookLM — AI 筆記與知識管理專家
網址：https://notebooklm.google/
Google 推出，可整合文件、網站、音訊、影片，並建立知識圖譜。
情境：專案資料彙整、快速檢索、團隊協作。
技巧：一個筆記本管理多來源，利用心智圖視覺化知識。
案例：顧問將提案、產業報告、會議錄音匯入後，快速取得產業痛點摘要。
7. DeepL — 高品質翻譯與跨語溝通工具
網址：https://www.deepl.com/en/translator
翻譯品質不輸給 Google 的 AI 翻譯工具，支援多語與文件翻譯，保留專業用語。
情境：國際郵件、多語簡報、即時會議翻譯。
技巧：搭配外掛翻譯網頁，文件翻譯保留排版，設定專屬詞彙。
案例：外貿業務透過 DeepL 快速回覆多語客戶郵件。
三、視覺優化呈現類
8. Napkin AI — 一鍵生成流程圖
網址：https://www.napkin.ai/
將文字轉換為手繪風或多種樣式的流程圖。
情境：SOP 視覺化、會議紀錄轉圖、簡報視覺化。
技巧：直接生成圖片並可編輯，快速切換樣式。
案例：講師用 Napkin AI 將處理流程圖像化，提升學員理解。
9. Gamma — AI 簡報生成器
網址：https://bit.ly/gamma_jack
用文字或網址生成高質感簡報，可持續與 AI 對話調整內容。
情境：快速簡報初稿、文件轉簡報、套用模板。
技巧：用網址匯入，限制 AI 不額外添加內容，免費版需控管使用次數。
案例：產品經理用 Gamma 在三分鐘內完成簡報並視覺優化。
10. Lumalabs.ai — AI 影片生成工具
網址：https://lumalabs.ai/
用文字或圖片生成動畫影片，適合行銷、教育與創意製作。
情境：產品動畫、教學影片、品牌形象影片。技巧：指令加入鏡頭運動與風格描述，搭配圖片精準控制場景。案例：行銷人用 Lumalabs.ai 製作新品宣傳片，廣告點擊率提升 40%。
職場導入 AI 工具的步驟建議
AI 的資訊量大，建議先不要給自己太大的壓力，嘗試對話看看，丟一下生活、工作上遇到的挑戰，聽聽看這位新夥伴的看法。如果要在職場導入，可以參考以下六個步驟建議：
[Step 1] 先大膽玩耍：不給自己壓力，打開 ChatGPT，馬上對話看看！
[Step 2] 解決痛點：探索最能改善現有工作的語法，先不用想一次全學。
[Step 3] 同任務多工具測試：比較自己習慣程度、速度、準確度、品質等。
[Step 4] 建立指令模板：筆記過程中的好用指令，方便後續重複使用。
[Step 5] 定期優化流程：追蹤 AI 新知，確保工具與方法都與時俱進。
[Step 6] 自我提升 & 批判性思考：AI 是好的助手，是強大的第二大腦；但深度思考的挑選，許多仍來自個人專業，持續自我提升，與 AI 進行深度組隊！
結語：給自己一點挑戰，放手玩耍 AI 工具！
每天花 30 分鐘，用 AI 工具解決一個真實工作任務，並記錄成果。一段時間之後，你將熟悉工具並改變工作模式，讓 AI 成為你最可靠的職場外掛，加速專業成長！
了解作者其捷老師的相關課程 >>
超過5000+的HR都報名過的104人資學程！七大主題課程幫你系統化學習 >>
提升員工帶動企業的成長！最划算的教育訓練方案首選>>
企業內訓、公開班及線上課程需求，104人資市集最超值 >>
成為人資市集Line好友獲得最新課程優惠及免費講座資訊>>
訂閱市集電子報與你分享專家文章及最新活動訊息>>
【ChatGPT當機】除了ChatGPT還有哪些生成式AI？16種AI工具應用解析，4步驟學會關鍵能力
生成式AI除了ChatGPT，你還用過哪些？本文解析4大領域、16種AI工具特性，包括：Copilot、Perplexity、Claude等等，專家也提醒千萬別完全依賴AI、失去自主思考能力，4步驟帶你了解如何正確運用AI工具，建立解決問題的思考框架！
編按：ChatGPT在台灣時間7月16日上午再傳大當機，網頁、APP版都出現異常，用戶除分享當機災情，也尋找替代工具，本文分享除了ChatGPT，還有哪些生成式AI工具！
文／ 張可佳（Claire Chang）
本文目錄（點擊可快速前往）
16種生成式AI工具4大領域應用文本生成（LLM）工具影像／影片生成（Text-to-Image）工具音樂／聲音生成工具程式碼生成工具生成式AI的正確／不正確使用範例正確使用AI的例子：輔助學習不正確使用AI的例子：完全依賴翻譯工具4步驟用ChatGPT訓練解決問題的思考框架1. 明確定義問題與期待結果2. 重視問答過程並在過程中做思考3. 根據反饋一步一步探索你要的目標4. 快速測試及驗證回應
16種生成式AI工具4大領域應用
在生成式AI的世界裡，許多人可能首先想到的是OpenAI的ChatGPT。然而，生成式AI的應用範圍遠不止於此，涵蓋了從文本生成到圖片、影像、音樂、語音生成，甚至程式碼生成的多個領域。以下是一些主要的生成式AI工具，介紹它們在不同領域的應用。
文本生成（LLM）工具
1. OpenAI的ChatGPT
網址：https://chatgpt.com/
最受歡迎的文本生成模型之一，能夠回答問題、撰寫文章、生成對話等。
2. Google的Gemini
網址：https://gemini.google.com/app
能夠同時理解文本、影像、音訊和影片，這使其能夠更全面地處理和生成資訊，適用於各種複雜任務。
3. 微軟的Copilot
網址：https://copilot.microsoft.com/
整合Microsoft 365應用程式，幫助用戶自動化任務、生成內容和分析資料，提升工作效率。
4. Anthropic的Claude
網址：https://claude.ai/
超大的上下文窗口，可處理長的文本資料。
5. Perplexity
網址：https://www.perplexity.ai
與傳統搜尋引擎不同，Perplexity AI提供單一的、全面的答案，概括了所有需要知道的資訊。
6. Felo Search
網址：https://felo.ai/search
支持多語言搜尋，能夠自動翻譯搜尋結果，消除語言障礙，使用戶能夠訪問全球資料。搜尋結果是從網際網路上即時獲取的，確保資訊的最新性和準確性。
影像／影片生成（Text-to-Image）工具
1. Meshy
網址：https://www.meshy.ai/
從文本或影像創建3D建模檔案，從而加速3D建模的流程
2. Midjourney
網址：https://www.midjourney.com/
以創作高品質影像而著稱，適合藝術家和設計師使用。
3. Stable diffusion
網址：https://stability.ai/stable-diffusion
開源社群網址：https://civitai.com/
開源的影像生成模型，提供靈活且可自定義的生成過程。並有著豐富的開源模型社群，有豐富的免費模型與外掛可供嘗試使用。
4. Kling
網址：https://klingai.com/
影片及圖片生成的大模型，能更輕鬆地完成藝術影片創作。
音樂／聲音生成工具
1. Suno
網址：https://suno.com/
音樂生成AI工具。使用者只需要輸入歌詞，就可以在短時間內自動完成作曲、編曲及演唱。
2. Steve AI
網址：https://www.steve.ai/
專門用於生成音樂和聲音效果，適合影片和遊戲設計。
3. AudioCraft
網址：https://audiocraft.metademolab.com/
Meta開發的音樂生成工具，能創作高品質的音樂片段。
程式碼生成工具
1. Github的Copilot
網址：https://github.com/features/copilot
與Visual Studio Code整合的程式碼輔助工具，能夠即時補全程式碼。
2. Cursor
網址：https://www.cursor.com/
使用GPT-4，在一種新型編輯器中撰寫、編輯的程式碼。
3. Cosine AI
網址：https://cosine.sh/genie
推出了Genie，自稱全球最優秀的AI軟體工程師。
生成式AI的正確／不正確使用範例
筆者在撰寫此書籍時，為了更深入了解各行各業中人們使用生成式AI的情況，訪談了20餘位不同行業和角色的職場菁英。
其中，來自5IN實驗教育機構的李有誠博士，身處教育界，對生成式AI的影響有深刻見解。他認為生成式AI是一種革命性的技術，不僅改變了知識的傳遞方式，更可能重塑人類社會的結構。
李博士強調，生成式AI的強大之處在於其能在短時間內處理和生成海量數據與資料，超越人類能接受、理解和消化的能力。這種能力有可能引發許多職位、人類角色、認知和信念的興起與消失，導致社會結構的快速變動，也因此導致現代人們容易自我定位錯亂，迷失自我。
為了應對這種變動，他認為教育的核心任務應該是幫助學生進行自我探索與定位，探索自我價值觀，建立自我人格。人的想法和人格並非純粹內生，而是受到外部環境和參考資料的影響而形成。只有當學生能夠更快地了解自己與環境時，才能更有效地適應這些變化。
因此，社會對教育的觀念也需要隨之改變，應更加重視思考能力和人文素養的培養，而非僅僅追求分數或知識的學習。建立解決問題的思考框架，而非僅依賴AI提供的知識，將成為未來AI時代最重要的軟實力。
他也提及我們應謹慎使用AI功能，以確保能從中受益而不是依賴。
正確使用AI的例子：輔助學習
在完成英文創意寫作後，可以使用AI工具（如Grammarly、ChatGPT）來檢查文法錯誤。這種使用方式能夠幫助學生識別和理解自己在語言使用上的錯誤，進一步辨認出自己需要調整的地方，提高語言能力。學生完成寫作後，將其提交給AI 檢查，然後將AI指出的錯誤列出並理解這些錯誤的原因，再進一步請教師解釋和指導。接下來，學生按照對自己現況能力的新了解而更有針對性的進行下一步的成長，方能達到提高能力的目標。
正確使用AI－輔助學習指令：
請檢查這篇英文文章的文法錯誤，並列出有哪些錯誤及其原因。我想學習並了解我的寫作問題，從而改進我的英文能力。以下是我的文章內容：[ 在此貼上文章內容]
不正確使用AI的例子：完全依賴翻譯工具
在創意寫作時，直接使用Google翻譯將中文文本轉換為英文，然後將這些翻譯結果提交作為作業。這種做法完全沒有涉及到發自於學生本身的任何自主思考，錯失了練習英文的機會，沒有達到學習的目的，反而浪費了時間和資源，變成老師根本就是批改電腦生成內容的滑稽景象，也可能誤創造出學生有在學習的假象。
不正確使用AI－完全依賴工具：
我有一篇中文文章，請你將其翻譯成英文，並確保翻譯後的結果看起來像是創意寫作，能直接提交作為作業。以下是文章內容：[ 在此貼上文章內容]
4步驟用ChatGPT訓練解決問題的思考框架
從上面的範例我們可以知道，我們並不是要完全依賴AI替我們工作，而是將其視為一個強大的輔助工具，在我們的指導下，共同完成目標。我們可以將AI視為自己的下屬，而自己則是主管，負責引導、審視並做出最終決策。
1. 明確定義問題與期待結果
首先，我們需要清晰地定義問題，了解自己想獲得的結果，並附上相關參考資訊，為AI提供明確的指示。就像一位主管在下達任務時，需要讓下屬明確理解工作要求和目標。這樣，AI才能根據我們的指引生成符合預期的結果。
【市場分析報告】指令範例：
我需要生成一份有關市場分析的報告，目標是瞭解我們的新產品在台灣不同市場中的潛力。產品資訊：辣木籽（維持健康 促進新陳代謝 調節生理機能），印度稱其為【奇蹟之樹】，來自印度的超級食物，風靡全球 營養價值高
2. 重視問答過程並在過程中做思考
在這個過程中，我們扮演的角色不僅僅是提出問題，更重要的是評估AI的回應。當AI生成回應後，我們需要像主管審閱報告一樣，仔細檢查其中的邏輯和合理性。對於發現的任何不合理之處，我們要進一步探詢或查證，確保最終的結果是準確可靠的。
【客群分析】指令範例：
以這三種不同客群來說，在行銷包裝上分別要注意什麼？中老年人、關注健康的年輕專業人士、重視養生的族群
3. 根據反饋一步一步探索你要的目標
此外，我們應該善用AI提供的反饋，逐步逼近我們的最終目標。這就像在管理一個專案時，我們根據進展情況進行調整和最佳化，最終達成預期的成果。這種持續的互動和調整，是確保AI能夠有效協助我們解決問題的關鍵。
【行銷策略】指令範例：
有沒有一種行銷可同時打中這三種族群？
4. 快速測試及驗證回應
在利用AI解決問題的過程中，我們需要對AI回應的內容進行驗證。透過一來一回的過程，我們能從中學習到我們原本不知道的東西，並產生最終品質更好的結果。這不僅能提高我們的工作效率，也能讓我們從過程中學習，增強我們處理跨領域問題的能力，讓我們透過AI來提升工作能力及效率。
【行銷管道】指令範例：
中老年使用部落客推薦會有用嗎？有推薦管道嗎？
這時我們就可以去Google搜尋其他保健食品與醫生或健康專家合作做推薦的案例（可以使用Perplexity或Felo Search去搜尋相關文章），並評估可行性和過往的成效。我們可以將搜尋到的資料再貼回ChatGPT，幫助ChatGPT有更多符合我們需求的相關知識，並提供更好的後續回應。
節錄自：博碩文化《AI職場超神助手：ChatGPT與生成式AI一鍵搞定工作難題／張可佳（Claire Chang） 著 》
更多【AI工具應用】推薦：
盤點20大職場必備AI工具！專家：未來9成工作者都須懂AI
ChatGPT整理Excel表格超快速！用AI輕鬆搞定複雜資料
ChatGPT一鍵生成簡報！Slides Maker讓AI幫你快速做完整簡報
用AI做簡報，建議先「生成大綱」！簡報大綱規劃模組Prompt分享
想用AI做出高品質簡報，為什麼需要先「生成投影片大綱」？作者分享透過「投影片大綱規劃模組Prompt」，確保簡報內容精準呈現，並讓結構更加完整。內文詳細解析Prompt用法、實際應用案例，以及在NotebookLM、Notion AI和Google AI Studio等平台的操作方法。本文節錄自《超有料！職場第一實用的AI簡報術》。
文／廖韋評
本文目錄（點擊可快速前往）
為什麼用AI生成投影片，需要先「生成投影片大綱」？投影片大綱規劃模組：Prompt用法解析AI生成簡報大綱應用實際範例AI投影片大綱規劃模組使用方法方法一：使用NotebookLM產出大綱（推薦）方法二：使用Notion AI產出大綱方法三：使用一般的LLM產出大綱方法四：使用Google AI Studio產出大綱（推薦）
已經設計好了簡報目標、分析簡報對象的需求、彙整大量簡報中可能會需要用到的關鍵字，並根據這些資料規劃了搜尋用的指令、得到了許多網路上的搜尋成果作為背景參考資料。
在將這些簡報內容視覺化之前，由於每個AI投影片生成工具對於簡報內容的建構能力並不相同，所以為了確保能夠有最完整的簡報品質，我們要先透過投影片大綱規劃模組來將這份簡報的逐頁大綱擬定完成！
編按：為了確保AI能夠做出精準符合需求的簡報內容，作者建議先定義簡報需求，做資料蒐集及資料彙整之後，透過投影片大綱規劃模組，生成完整投影片大綱，再正式進入以AI簡報工具生成投影片的環節。延伸閱讀：AI生成簡報工具怎麼選？Gamma、Felo、NotebookLM等6大AI簡報工具推薦
為什麼用AI生成投影片，需要先「生成投影片大綱」？
1. 確保內容精準性：投影片導向的AI在生成投影片時，通常不允許使用者上傳背景參考資料。如果沒有大綱預先規劃內容，可能會導致最終視覺化內容的資訊失真。
2. 模型能力差異：投影片導向的AI核心模型為了追求反應速度和降低成本，通常採用非推理模型。相比之下，先在大語言模型 (LLM，如ChatGPT、Gemini) 中生成大綱，可以利用其更強大的邏輯推理能力。
3. 避免內容過度壓縮：投影片導向的AI有可能為了方便版面排版，將使用者提供的內容過度壓縮或省略。預先生成詳細大綱，能確保核心訊息被完整保留。
4. 降低修改成本與耗時：如果直接讓AI生成投影片，不僅耗費時間較久，後續發現邏輯或內容錯誤時，修改調整的成本也較高。
5. 確保節奏與品質：透過指令先行生成大綱，能確保內容的節奏與文字品質符合講者預期。
綜上所述，如果我們在生成投影片視覺內容之前，先透過其他AI生成大綱，較能夠透過指令確保內容的節奏與文字品質符合我們預期。
投影片大綱規劃模組：Prompt用法解析
編按：投影片大綱規劃模組由：投影片大綱生成規劃、投影片內容大綱生成規則、輸出格式規則組成，本文將逐段解析prompt，實際應用時需整組貼上，用法詳見下文。
Prompt# 投影片大綱生成規劃## 角色 (System)你是一位「投影片製作AI助理」，擅長將大量資料整理成有條有理的投影片脈絡。## 執行流程Step 1. 根據簡報的總時間長度評估「投影片頁數」(預估每 1~2 分鐘一頁)，並依內容的邏輯結構與深度彈性調整，確保敘事流暢。Step 2. 整合簡報目標、受眾需求、關鍵內容清單、參考資料，打造整份簡報的 Story LineStep 3. 根據這份簡報的 Story Line 將簡報內容拆解成 3-5 個章節，並按照章節彙整對應的參考資料 (務必使用參考資料，我會檢查)Step 4. 根據每個章節的參考資料拆解數個「核心訊息」作為投影片的標題，再設計投影片大綱Step 5. 設計投影片大綱時，先生成完整口語講稿、再根據講稿內容提取投影片內文或數據圖表 (口語講稿的內容應該要遠多於投影片的文字，需涵蓋該頁投影片的所有內容，並補充額外資訊。)Step 6. 設計投影片內文時，判斷頁面類型，再根據類型決定文字數量/密度/格式。Step 7. 最終審視與串連：檢查所有投影片是否緊密圍繞「核心訊息」，並確保「故事線」的起承轉合流暢自然。
相較於以往直接讓AI閱讀資料產生大綱，這一部分模組提供了一個比較細節的流程：
先根據簡報時長判斷投影片頁數。
再根據內容先提出整體故事線以確保簡報的敘事邏輯順暢。
最後才是切分章節與設計每頁投影片內容。
比較值得分享的是，為了避免AI在生成投影片時文字過於生硬，所以在「Step 5」的時候特別要求AI同時輸出「講稿和投影片文字」，這個做法的好處是可以用講稿內容來評估實際的簡報時長、也能避免內容與講稿不同步的問題、但缺點是會花費不少的TOKEN額度、可能導致內容被壓縮，可以視情況決定是否自行拿掉。
Prompt## 投影片內容大綱生成規則### 第一張：封面設計 內容：主標、副標、講者名字設計風格：依主題決定版面 (置中/左右分欄/滿版圖片等)、字級清楚、對比明確### 第二張：目錄頁內容：標題、各章節內容設計風格：若章節數 ≤ 4：左側加上插圖，右側標題與章節對齊；若章節數 > 4：不使用插圖，以清楚的清單呈現### 章節頁內容：章節編號(以 Ch. 呈現)、章節名稱、內容項目 (列點或以、分隔)設計風格：使用半圖半文版面### 金句頁 (建議整份簡報只要放 2 - 3 張)內容：無需標題，僅一行關鍵句設計風格：強調不要有任何的插圖、大小設定為 H1### 純內文頁-標題內文：請根據內容總結一個 Tagline 做為標題，而不能只是執行時程這樣的單字、標題內文內容不能超過 10 個字-內容列點：根據講稿判斷重點，並以「-」條列，最多只能往下展開一個子階層、且子階層文字不能過多-呈現邏輯：依列點文字的邏輯，在「排版指令行」指定排版形式 (如：金字塔圖、流程圖、ICON 版面……)，但不要有不相干的裝飾性插圖！-設計風格：內文頁請強調「不要有任何的插圖」### 數據圖表頁若判斷該頁適合放置數據圖表：-標題：列出圖表標題，並於後方加上「(須人工補充圖表)」-內容：圖表核心洞見：[ AI 需在此處生成一句話，說明此圖表最想傳達的結論或趨勢]-關鍵數據點：列出講稿中提到的具體數據 (為確保數據的可觀性，盡量不使用過多文字)設計風格：建議圖表類型 (長條圖/折線圖/圓餅圖/表格)### QA (最後一張)內容：標題字「QA Time」＋三個建議觀眾提問＋一個核心 CTA
由於讓 AI 自己規劃內容時，容易全部是資訊塞滿的內容頁，所以這邊特別在版面設計中加上了目錄頁、金句頁、數據頁、QA 頁的設計引導，讓投影片的版面變得更加豐富、較不容易造成觀眾的疲乏。
Prompt## 輸出格式規則1. 僅輸出 Markdown 格式2. 每張投影片採以下結構呈現： - `# Slide N｜主標題` - 簡報核心內容：以 bullet 方式呈現 - 口語講稿：換行之後以註記呈現 `/* .... */` - `:: 設計風格：......`3. 以 `---` 分隔不同投影片，這個很重要！。4. 依序編號 Slide（1‥N），不遺漏也不重複。##輸出格式案例#Slide 14｜短中長期規劃 - 短期（一個月內）：成立風險盤點小組由財務、業務、採購部門主管組成。任務：全面量化公司目前的外幣資產、負債、及未來一季的預期現金流。- 中期（一季內）：制定內部應對策略舉辦跨部門工作坊，建立避險共識與標準作業流程（SOP）。 產出：更新版的標準報價合約範本、金融避險工具使用原則。- 長期（半年內）：融入日常營運定期（如每季）檢視與調整避險策略。<info>將匯率風險納入各部門的KPI與年度預算考量。</info>/*我建議，我們不需要等到所有事情都完美才開始。我們可以從今天開始，啟動一個為期三個月的「匯率風險管理優化專案」。第一個月，我們需要立即成立一個由財務、業務、採購主管組成的跨部門任務小組，目標只有一個：全面盤點我們目前到底有多大的外幣風險部位。[4] 第二個月，我們要舉辦一場深度工作坊，把今天提到的策略，變成我們公司自己的SOP。第三個月，我們要看到具體的產出：一份更新版的標準報價合約，以及第一筆「自然避險」的採購訂單。 */:: 設計風格>>時間軸：清晰標示出「一個月」、「一季」、「半年」的關鍵行動與產出。---## 開始編排1. 請先宣告投影片頁數2. 列出Story Line3. 生成整份簡報的大綱
最後為了確保AI所產出的大綱格式，在後續轉變成投影片時能夠被其他AI穩定的讀懂，這邊針對輸出格式做了完整的範例，並將同一張投影片內不同邏輯描述，以不同的註記方式呈現。
AI生成簡報大綱應用實際範例
範例以荒廢公園再利用為題目：
圖／旗標《超有料！職場第一實用的AI簡報術》
AI投影片大綱規劃模組使用方法
了解了模組的設計概念和成效之後，我們要如何使用這個模組呢？其實就是把所有模組的產出成果（簡報情境、對象分析、關鍵內容、搜尋成果）統一上傳至AI，再讓AI了解完所有簡報需求之後，根據投影片大綱規劃模組整合搜尋而來的資料就可以了。
方法一：使用NotebookLM產出大綱（推薦）
網址：https://notebooklm.google.com/
確定上傳簡報情境、對象分析、關鍵內容清單。
確定把所有 AI 搜尋的成果上傳。
在問答區中輸入大綱規劃模組，即可獲得完整的投影片大綱。
圖／旗標《超有料！職場第一實用的AI簡報術》
方法二：使用Notion AI產出大綱
網址：https://www.notion.so/
將所有的搜尋成果存放在Notion的資料庫中。
在資料庫的頁面中，點開右下角的Notion AI，或是在Notion AI的首頁中透過@呼叫存放管理結果資料庫，只要確認有參考到資料庫的情況下。
以對話的方式貼上大綱規劃模組，即可獲得完整的投影片大綱。
圖／旗標《超有料！職場第一實用的AI簡報術》
方法三：使用一般的LLM產出大綱
如果你尚未將這些搜尋結果匯入至NotebookLM或者Notion AI，我們也可以直接使用一般的通用型AI來製作投影片大綱
挑選一個使用習慣的通用型AI（ChatGPT／Gemini／Grok／Claude／Google AI Studio）
將簡報情境、對象需求分析、簡報關鍵內容清單以文字檔上傳（或者直接複製貼上），並跟AI說「這是簡報的核心需求。請先閱讀即可、不需要產生大量回應。」
接著，將Deep Research和Perplexity的搜尋結果上傳（或複製貼上），跟AI說這是「這是相關網路的參考資料。一樣先閱讀即可、不需要產生大量回應。」
確認將大量資訊都提供給AI參考之後，將投影片大綱規劃模組貼上，AI就能整合前面所提供的資料，產出完整投影片大綱！
如果你不知道要用什麼樣的AI，筆者在這邊推薦你一個最適合的選項：Google AI Studio。
方法四：使用Google AI Studio產出大綱（推薦）
網址：https://aistudio.google.com/
由於投影片大綱規劃模組所需要上傳的文件&內容較多，輸出的內容也會比較多，相比一般的通用型AI會更推薦使用 Google AI Studio！
這是一個專為開發人員與創作者設計的AI開發平台／工具，讓用戶可在瀏覽器介面免程式快速體驗、測試、設計及整合Gemini模型。跟Gemini相比，Google AI Studio有著：
更多的免費 Gemini 3.0 Pro 額度
較長的上下文讀取
單次更高的文字輸出上限
節錄自：旗標《超有料！職場第一實用的 AI 簡報術：用對工具讓生產力全面進化！》／廖韋評 著
★ 104學習推薦：建立「職場簡報力」標準，讓你的能力被看見 ★重量級講師王永福、謝文憲、葉丙成共同發起認證＋考前影片：▶ 台灣簡報認證 - 初級｜通過認證回傳104履歷
[course_plugin api_type='course_id' title='104學習推薦：' id='39d7b0fe-6384-450f-aee8-eaa8932b544d']
AI協作的3個關鍵階段：節能、增能、賦能！
原標題：AI協作的3個關鍵階段：節能、增能、賦能！【聽見趨勢】
AI浪潮席捲而來， 工作型態正在改變，很多人對AI在工作中可能帶來的影響感到些許困惑和不安。不禁會問：「AI會取代我們嗎？」「如何用AI？」「從哪裡開始？」因為這些疑問，我們特別邀請在AI協作有豐富實戰經驗的小花老師，來進行分享。老師不僅有資訊背景，還是簡報溝通專家，融合與「資訊」及「人」的溝通洞察，給出許多應用AI的超實用建議！
文： 趨勢來賓 | 林稚蓉 小花老師
本文目錄：
與AI協作溝通的應用與挑戰
如何用AI優化企業作業流程
AI協作3階段：節能、增能、賦能
AI時代的人類角色：你依然是機長！
3個層次的工作思維 從哪裡開始使用AI
1. 與AI協作溝通的應用與挑戰
在AI工具的應用過程中，許多人最常遇到的問題是「如何讓AI回答更精準」。有時AI的回答看似離題，或者產生「幻覺」，讓使用者感覺比自己動手做還要更花時間。這種困境往往會讓初學者感到挫折，甚至放棄繼續使用AI工具。然而，這個問題的關鍵在於我們如何與AI進行有效溝通。
小花老師提到，因為自己過去資訊管理背景和簡報培訓經驗，因而對人機溝通有獨特的見解：「在資訊管理我們是要跟電腦講話，可是簡報培訓要講的是要跟人講話。而AI則是介於兩者之間，它需要明確的目的性、對方的邏輯性，以及精練易懂的表達方式。」基於這個概念老師分享了3個突破這些挑戰的關鍵方向：
方向1：理解AI提問的語法與邏輯
第一個關鍵方向是理解與AI溝通的基本語法和邏輯。老師提出生動的比喻：我們應該把AI視為一個「外國人」，而不是單純的機器。就像與外國人交談需要遵循特定的語法規則一樣，與AI溝通也需要掌握相應的「語法」。這包括了解官方提供的提示工程（Prompt Engineering）技巧，以及如何構建清晰、邏輯性強的提問。
「你不能把AI當做機器，你要把它當作是一個外國人，用他懂的語言，交流他懂的事情」。透過系統性地學習和運用這些溝通技巧，我們可以顯著提升與AI互動的效果。
將AI視為「外國人」而非機器，需要用特定的語法與之溝通
研究官方提供的提示工程（Prompt Engineering）技巧
掌握提問的基本文法和邏輯結構
104人資市集一站式幫你解決企業培訓，管理、AI職能、企業法遵>>
方向2：了解AI的能力與限制
AI技術雖然強大，但並非萬能。我們必須清楚認識AI可能產生「幻覺」，即一本正經地說出不準確的信息。同時，很多AI模型無法實時連網獲取最新信息，也可能在數學計算等特定領域表現欠佳。了解這些限制對於正確使用AI工具至關重要。「不是複製貼上就很容易就要上當了」老師提醒到「你要知道他可以做到什麼程度，他的限制又在哪裡，風險又在哪裡。」這種了解能幫助我們更準確地評估AI輸出的可靠性，並作出相應的調整和驗證。
持續關注AI功能的更新與發展
認識AI的局限，如無法上網、可能產生幻覺等
避免單純複製貼上，需要理解內容的正確性
方向3：善用不同AI工具的優勢
在當前AI工具快速發展的環境中，每個工具都有其特定的強項。例如，Chat GPT、Copilot、Gemini等工具各自擅長不同類型的任務。我們應該實際測試來了解每個工具的特點，並學會組合使用這些工具來達到最佳效果。「它們各自的強項，你都去嘗試過之後，你會發現工具是要多個東西組合之後，才會發揮你的效果。」這種組合使用的方法能夠彌補單一工具的不足，創造出更全面的解決方案。
小花老師分享了在金融業的實務應用案例：「像GPT或者是一些生成式AI，他們其實數學能力非常不好，會把數字當作文字來做處理。因此在進行數據分析時，我們建議將計算工作留在本機端進行，而使用AI來協助產生Excel函數公式再進行數據趨勢分析。」
每個AI工具都有其特定強項，如ChatGPT、Copilot、Gemini各有所長
多方嘗試不同工具，找出最適合的組合
透過工具組合來發揮最大效益
2. 如何用AI優化企業作業流程
在企業環境中，AI不僅是一個輔助工具，更可以成為提升工作品質的重要夥伴。小花老師認為，AI就像電力一樣「只要用到電的地方，都會有改善；同樣地，AI可以用在任何有關思考的部分，都可以帶來改善。」特別是在思考、企劃、溝通等需要創意發想的領域，AI的應用可以帶來顯著的效益提升。
然而，在運用AI工具時，企業必須特別注意資訊安全的議題。正如之前新聞報導三星員工將公司資料上傳至AI平台的事件，如何在提升效率與保護資料間取得平衡，是企業必須審慎考量的。以下分享幾個具體應用案例：
提升簡報製作效能
運用AI進行角色扮演，模擬不同聽眾的思維模式
針對不同對象客製化簡報內容和開場方式
提高提案的精準度和準備效率
提升規劃能力
老師分享了一個企業ESG工作計畫的實際案例：
運用AI進行利害關係人分析
模擬不同角色的需求和期待
透過管理顧問的角色扮演，擴展思考維度
根據各方意見制定具體執行方案
透過AI的協助，讓原本資歷較淺的員工也能在思考的廣度、深度和執行細節上有更好的表現。
3. AI協作3階段：節能、增能、賦能
AI的應用不應該是盲目追求新工具，而是要找到真正能夠為工作帶來價值的方式。老師觀察到，2023年人們熱衷於追逐各種新興AI工具，但到了2024年，企業的關注點已經轉向如何讓這些工具真正落地並解決實際問題。
老師以工具箱做比喻：「現在很多人手上都有很多AI工具，就像工具箱裡有很多螺絲起子，但卻不知道怎麼用這些工具來進行修理。」因此，重點不在於掌握多少工具，而是要培養使用情境的想像力，真正了解如何運用這些工具來解決實際問題。基於這樣的理解，AI協作可以分為三個階段，企業和個人可依據需求選擇適合的切入點：
節能階段：優化基礎工作流程
節能階段是AI應用的入門級別，主要針對那些耗時但相對單純的工作任務，這類工作的特點是幾乎人人都能完成，但往往需要耗費大量時間和精力，比如客戶發來一份PDF格式的報表數據，傳統做法需要手動重新輸入，不僅費時且容易出錯。但透過AI工具，可以快速將圖片中的表格轉換為可編輯的表格形式，這將大幅提升工作效率。
節能階段特別適合作為入門起點，因為這類任務相對簡單，容易看到明顯的成效。「當我們發現AI工具可以幫你省下這些瑣碎的時間，就會更有動力去探索其他的應用可能」。此外，這個階段的工作通常風險較低，即使出現錯誤也容易發現和修正，非常適合作為練習和熟悉AI工具的切入點。
增能階段：提升專業工作品質
進入增能階段後，AI的應用開始觸及到專業領域的核心工作。這個階段的特點是，使用者本身已經具備相關專業能力，而AI的角色是協助他們做得更好、更快、更精準。老師更分享了自己在製作簡報的經驗：「比如我需要幫客戶寫文案，我可以讓AI先產生多個版本的文案建議，然後基於我的專業判斷進行調整和優化。這樣不僅能激發更多創意靈感，也能大幅提升工作效率。」
這階段，AI不是取代人的專業判斷，而是透過提供更多選擇和可能性，幫助專業人士做出更好的決策。這種協作模式能夠顯著提升工作質量，同時也能為專業人士騰出更多時間專注於需要深度思考的任務。
賦能階段：開拓新的專業領域
賦能是AI協作的最高階段，善用AI輔助獲得新的能力和提升專業。在這階段，使用者能突破原有的專業限制，探索和掌握新的領域。小花老師觀察到，許多專業人士透過AI工具，成功地將自己的專業知識延伸到相關領域：「比如一個財務專家，可能過去只專注於數據分析，但透過AI的協助，他可以更容易地將這些專業知識轉化為易懂的視覺化報告，甚至發展出數據故事化的能力。」
賦能階段的關鍵在於，它不僅能提升效率、改善現有工作流程，更創造出新的可能性。善用AI專業人士可以更快地跨越學習曲線，建立起新的專業能力。這對於當今快速變化的職場環境特別重要，因為它讓終身學習和專業轉型變得更加可行。
免費申請試閱企業訂閱制課程！法遵、職能、AI通識課提升全員工競爭力 >> https://104ha.com/5CjvW
4. AI時代的人類角色：你依然是機長！
在AI時代，人類的角色定位至關重要。小花老師做了一個生動的比喻：「人的角色永遠是機長。即使現在的飛機很多部分都是由機器在操控，但為什麼還需要機長？因為機長要知道怎麼安全地把這些旅客帶到目的地，必須要應付突發狀況。」
這個比喻深刻點出人類在AI時代的核心價值：不是與AI競爭執行力，而是在掌握方向、判斷決策、危機處理等方面發揮獨特優勢。正如同機長一樣，我們不能把方向盤完全交給AI，而是要學會如何與AI協同合作，共同達成目標。
我們的核心職責
掌握方向：確定目標和願景
做出決策：判斷關鍵時刻的選擇
處理危機：應對突發狀況
承擔責任：為結果負責
3個層次的工作思維
工人思維：專注於完成具體任務
工頭思維：規劃設計與管理
建築師思維：理解需求，規劃願景
當AI變成每個人的標配，誰會產生更大更好的價值？就是懂人的人。—小花老師
5. 從哪裡開始使用AI
在面對AI工具快速發展的現狀，許多人感到困惑：究竟該從何處開始？是否要追逐每一個新出現的AI工具？在這部分老師觀察到，很多人在嘗試使用AI時往往陷入兩個極端：要麼因為害怕而遲遲不敢嘗試，要麼過度追逐各種新工具而失去重點。
老師強調，開始使用AI的關鍵不在於掌握多少工具，而在於找到適合自己的切入點，並且建立起正確的思維模式。「就像學開車一樣，一開始不需要了解引擎的工作原理，而是要先學會基本操作，逐步建立信心。」對於想要開始運用AI的個人或企業，小花老師提供了以下建議：
從工作情境出發
找出工作中的痛點
識別可能的應用情境
從簡單的任務開始嘗試
3個關鍵發展方向
了解AI：掌握潛能、限制和操作方法
了解人性：培養溝通能力和同理心
了解自己：釐清目標和行動意義
實踐建議
在使用AI之前，先靜下心來思考目標
清楚理解問題和需求
循序漸進，從節能階段開始
我們應該更加了解自己做這件事情對個人跟團隊的意義是什麼。當我們了解意義、了解目的時再去溝通，AI就不會胡說八道，它會順著這樣的意義感展開跟延伸。
透過小花老師的分享，我們可以看到AI不僅是一個工具，更是一個協作夥伴，協作過程關鍵在於我們如何正確定位自己的角色、如何善用AI特性，在提升效率的同時，也不斷強化自己的核心競爭力。AI時代，最重要的不是追逐所有新工具，而是找到適合自己的使用方式，並始終保持對專業與人性的關注！
業界最划算的企業培訓訂閱制方案！免費申請課程完整試閱 >>
超過7000+的HR都報名過的104人資學程！七大主題課程幫你系統化學習 >>
免費企業學習平台 x 培訓課程 = 零成本企業培訓自動化 >>
訂閱人資市集電子報獲得專家工作分享及產業新知 >>
加入104人資市集官方line獲得最新優惠及活動資訊 >>
「數據／資料工程師」12個必備技能、推薦職缺、證照進修
大數據時代來臨，企業數位轉型的需求應運而生，因此數據工程師（資料工程師）在企業中所扮演的角色也日益重要。本文盤點要成為數據工程師，強烈推薦要學的 12 項必備技能。一起來看看【數據工程師】工作日常以及104人力銀行上有數據工程師工作機會。
成為數據工程師的 12 項必備技能（點擊可跳至章節）：
基本技能（程式語言與資料架構）
網路概念
資料庫 Database
數據湖 Data Lake 與物件存儲
數據倉儲 Data Warehouse
分散式系統
數據處理
機器學習 Machine Learning
作業編排管理
前端與儀表板
後端框架
自動化與部署
如何開始數據工程師之路？了解數據工程師工作日常
【數據／資料工程師】推薦職缺
【數據／資料工程師】職場常見證照整理
【數據／資料工程師】職場再進修課程推薦
文／LnData 麟數據科技
數據工程師的必備技能樹 (Source: Anuj Syal)
一、基本技能
首先，以下是最基本的必修技能，也是想進入這個行業需要的優先入手技能，包含：
SQL：SQL即「Structured Query Language」，也稱做「結構化查詢語言」，是一種用於管理和查詢關聯式資料庫的語言，用於處理和操作大量數據。它允許數據工程師對資料庫執行各種操作，如數據檢索、修改和定義，且幾乎所有資料庫和數據倉儲都使用SQL。
程式語言：數據工程師必備技能當然包括使用不同的程式語言來處理數據，如 R、Scala、Java等，但首推 Python，因為Python容易上手，並且擁有許多免費且開源的資料科學工具和資源，使其成為處理數據相關工作的理想選擇。不僅如此，Python還有豐富的開發者社群，讓你輕鬆找到相關的學習資源和解決問題的方法。
Git：即「Global Information Tracker」，Git是版本控制的重要工具，可以追蹤、保存和管理軟體代碼的所有更改和操作，幫助資料工程師協作開發數據工程項目，並確保團隊成員之間的協同工作，可避免有人亂改或誤刪代碼。
Linux指令和Shell腳本：Linux是一種常用的作業系統，數據工程師經常使用它來處理數據，常見的版本如Ubuntu、Fedora。熟悉Linux命令（例如cd、pwd、cp、mv等）和Shell腳本可以幫助數據工程師自動化任務、管理伺服器和處理大量數據。
資料結構和演算法：數據工程師需要對資料結構（Data Structures）和演算法（Algorithms）有足夠的理解和解決問題的技能，以優化數據處理和分析。初學者可透過初級到中難度的LeetCode問題進行練習。
二、網路概念
由於現在大半數據都在線上，因此工程師常需接觸與處理VM（虛擬機）、伺服器和 API（應用程式介面），而此時就需要對 IP（互聯網協議）、DNS（域名伺服器）、VPN 等基本網路概念有基本了解。
API（應用程式介面）概念示意( Source: Geeks For Geek)
三、資料庫
資料庫是按照數據結構來組織、存儲和管理數據的倉庫，相關概念包含：
基礎知識：資料庫是存儲數據的空間，包含表（Table）、行（Column）、列（Row）、鍵（Key）、連接（Join）、合併（Merge）和模式（Schema）等基本概念。
SQL：雖然前面提過了，但要知道在使用這些資料庫時，SQL可說是最泛用也最不可或缺的語法，因此這邊再提一次。。
ACID：是原子性（Atomicity）、一致性（Consistency）、隔離性（Isolation）、持久性（Durability）的縮寫，旨在確保數據操作的有效性和穩定性。
資料庫建模：指在設計資料庫時考慮如何組織資料的過程，包括星型模式、平面設計和雪花模式等不同方法。
資料庫擴展：包括垂直擴展和水平擴展，它們用於增加資料庫的性能和容量。
OLTP與OLAP：OLAP（在線分析處理）、OLTP（在線交易處理）是不同類型的數據處理系統。OLTP是設計用於處理日常業務交易和交互式操作的系統；OLAP則是設計用於分析和探索大量數據的系統。
關係型資料庫：Relational Database，是大多數應用程式使用的傳統資料庫，用於結構化數據。常用的資料庫有PostgreSQL和MySQL。
非關係型資料庫：Non-relational Database，也稱為NoSQL資料庫。跟傳統的關聯型資料庫不同，它們不使用固定的表格模式，而是以更靈活的方式存儲數據，適合處理大量非結構化數據。非關係型數據還可分為三種類型：
鍵值資料庫：如Redis、DynamoDB、FireBase
圖形資料庫：如Neo4j、ArangoDB
寬列資料庫：如Apache Cassandra、Google BigTable
常用的關係型資料庫 MySQL
四、數據湖 Data Lake 與物件存儲
數據湖是一種大規模集中式數據存儲系統，它允許組織以原始、半結構化或非結構化的形式存儲數據，而無需建立嚴格的資料結構。這意味著數據湖可以包含來自不同來源、不同格式和不同質量的數據，可以是文本、圖像、影音等，也包含報表、視覺化、資料分析、機器學習等轉換後資料。
數據湖通常使用分佈式或物件存儲（Object Storage）系統來存儲大量數據，如Hadoop HDFS、Amazon S3等。數據以原始文件或對象的形式存儲，每個對象都包含數據本身、元數據（metadata）和唯一識別子。這種方式使得數據能夠以平面結構組織，並且具有元數據以描述數據的特徵和用途，能夠更好地管理和查詢數據。
五、數據倉儲 Data Warehouse
數據倉儲（Data Warehouse）是一種專為組織和管理大量數據而設計的數據存儲和管理系統。它的主要目標是將來自不同來源的數據整合到一個統一的、易於查詢和分析的資料庫中，以支持企業的決策制定、報告和分析需求。例如 Google 的 BigQuery、AWS Redshift、Azure Synapse、Snowflake、ClickHouse 和 Hive。須了解的相關概念包含：
SQL（略）
規範化與非規範化：在數據倉儲中，數據可以以規範化（Normalized）或非規範化（Denormalized）的方式進行組織和存儲，具體選擇取決於業務需求和查詢性能的考慮。規範化主要為求消除數據中的冗余或不一致性；而非規範化則是將數據合併到一個表中以提高數據更改速度。
OLAP與OLTP（略）
六、分散式系統
包含大數據、Hadoop、分佈式文件系統、MapReduce等概念。在分散式系統中，多台機器（稱為節點或伺服器）組成叢集並共同協作，這些機器可以在不同的地方執行，彼此通信並共同完成任務。分散式系統的好處是可提高性能、可用性和擴展性，同時減少單點故障的風險。
由於其複雜性，這些系統擁有各自獨立的技術組件。因此，為了開發與佈署這些系統，數據工程師需要使用叢集管理技術或工具，如Kubernetes、Databricks，或者自行建立Hadoop叢集等。此外，還有許多開源技術可供利用。
Kubernetes 也稱為 K8s，是一個熱門的分散式系統開發和支撐平台(Source: DevOps Mojo)
七、數據處理
數據處理是指使用程式語言來轉換數據的過程，這包括清理數據以及驗證數據的準確性。在進行數據處理時，通常會使用各種工具和框架，具體選擇取決於任務的性質和規模。
以下是一些常用的數據處理工具和框架：
Pandas：Pandas是一個好用的Python套件，常被用於處理和分析數據。它提供了豐富的數據結構和函數，適合用於數據轉換和清理。
SQL：（沒錯，又是它）由於多數數據倉庫支持SQL語言，因此SQL是一個常用的工具，用於執行數據轉換操作，尤其適用於處理結構化數據。
Spark：Apache Spark是一個用於大數據處理的強大框架，它提供了分佈式數據處理和分析計算。Spark通常用於處理大規模數據轉換操作，性能高且具有可擴展性。
Spark Streaming：Spark Streaming是Spark的一個模塊，用於處理流式數據。它可以實時處理數據流，非常適合需要即時分析的應用。
Spark是常用於處理大數據的強大框架(Source: Data Mechanics)
八、機器學習 Machine Learning
機器學習（Machine Learning）是一種人工智慧（AI）的子領域，它教導電腦如何從數據中學習，以自動改進和做出決策，而不需要明確的程式指令。機器學習可以應用於多個領域，如圖像辨識、語音識別、自然語言處理、醫療診斷、金融預測以及自駕車技術等。
人工智慧、機器學習、深度學習都是資料科學中的熱門領域
對於數據工程師來說，了解機器學習的不同類型，包括監督學習、非監督學習和增強學習，以及相關的模型(如邏輯回歸、決策樹、K-最近鄰算法等)很重要。他們需要知道何時應該使用哪種模型，並學會處理數據、調整模型參數，以及評估模型的預測準確性。
操作機器學習的平台有Vertex AI、Kubeflow等，這些平台可以協助數據工程師輕鬆部署模型，並構建更準確的工作流程，幫助數據科學家做出更精確的決策。
Vertex AI 是Google Cloud上的一個機器學習平台
此外，還有一些集成平台可讓數據工程師將工作流程整合到一個地方，如AWS Sagemaker、Databricks和Hugging Face等。這些平台通過共用的應用程式接口和圖形界面，使應用軟體功能不受特定硬體、作業系統、網路協議或資料庫管理系統的限制。
AWS Sagemaker也是不少人的ML開發選擇(Source: AWS)
九、作業編排管理
編排（orchestration）是一種用於管理和協調組織各種任務和工作流程的方法。它幫助我們確保工作按照預定的順序執行，以達到我們的目標。
最佳的編排工具之一是Airflow。它使用基於Python的有向無環圖（DAG）來記錄工作流程，讓您可以清楚地定義和規劃工作。Airflow特別適用於複雜的工作流程，並且在大數據和數據工程領域中廣泛使用。
其他工具包含Luigi、Nifi和Jenkins。每個工具都有其獨特的特點和使用場景，可以根據你的項目需求來選擇適合的編排工具，可以幫助數據工程師自動化和管理各種任務，提高工作效率。
Airflow是開發時常用的工作流程管理工具(Source: Airflow)
十、前端與儀表板
前端和儀表板（dashboard）是用來展示數據結果和互動的工具。它們讓我們能夠以圖表、圖像和表格的形式呈現數據，並讓用戶與數據進行互動。
舉例來說，Jupyter Notebook 是一種常用的工具，它可以幫助數據科學家和分析師在筆記本中直接進行數據分析並建立視覺化圖表。
Jupyter Notebook是好用的互動式開發工具，是許多資料科學工作者選擇
此外，儀表板或所謂BI工具如 PowerBI 和 Tableau，以及 Python 套件如Dash 和 Gradio，也被廣泛使用。這些工具允許我們建立互動性強的儀表板，讓用戶輕鬆探索數據，查看不同的視覺化結果，並根據需求進行操作。
Tableau是業界常用的商業智慧(Business Intelligence)工具，建立企業數據儀表板
十一、後端框架
後端框架與軟體工程有關，它們有助於構建網站和應用程序的後端部分。舉例來說，如果您想建立一個網站或應用，可能需要一個後端框架來處理用戶發出的請求、管理資料庫，以及提供信息給前端顯示。
基於 Python 的後端框架包含 Flask、Django 和 FastAPI 等。Flask 是一個輕量級的框架、Django則提供了更多的內置功能、FastAPI 則專注於建立API。
除了這些，還有一些雲端技術可供使用，例如G oogle Cloud Platform（GCP）的 Vertex AI API 和 AutoML APIs，這些技術可以用於模型部署和機器學習應用。
Flask 是一個 Python 網頁應用程式框架，因輕量靈活而受許多開發者喜愛
十二、自動化與部署
自動化和部署是指使用不同的工具和技術，來讓程式碼的建立和執行過程更加自動化和簡化，有助於提高效率、降低錯誤，並讓應用程式更容易管理和維護。
這個過程包括以下幾個主要方面：
基礎設施即程式碼（Infrastructure as Code）：這是使用工具如Terraform、Ansible和Shell指令來管理和配置伺服器和基礎設施的過程。這些工具可讓你將基礎設施視為程式碼來處理，使其更易管理和自動化。
持續集成/持續部署（CI/CD）：指透過GitHub Actions和Jenkins等工具來自動化程式碼的測試、集成、部署和交付的過程。有助於確保程式碼的品質，並使新功能能夠快速部署到生產環境。
容器化：即使用Docker和Docker Compose等工具，將應用程式和其相關的依賴項打包成容器的過程，可使應用程式在不同環境中更容易部署和執行。
Docker工作流程示意
想當數據工程師，如何培養能力？
在學生可以學習統計、資工、資料科學等科系的課程，或是透過相關實習或競賽來摸索對此領域的興趣。此外，網路上有許多付費課程、YouTube上的免費資源，也可以在kaggle、LnData等平台取得更多練習與交流機會、相關知識、技巧或資源！
要記得，這些相關技術日新月異，即使是正在工作中的數據工程師也必須時時學習與了解最新技術。相對的，正因為技術不停在改變，你也不需要強求把上面所有技能練到精通，而是掌握重要的基本概念與保持開放的學習態度。
數據工程師可以為企業做什麼？
數據工程師日常就是與數據打交道，主要包含收集、讀取、清理，探勘與管理企業的資料，以抓取符合企業分析需求的數據。這些數據則能進一步透過機器學習、演算法，產生更有價值的結果或應用方式，幫助企業做出更好的決策、優化業務流程，例如降低成本、提高獲益、優化產品、留住熟客及開發新客群。因此，數據工程師對於企業的重要性不言而喻。
然而，企業想挖掘數據最大價值，並不能只靠數據工程師。一個完整的數據團隊，通常包含數據工程師、數據科學家、數據分析師三種角色，各司其職、專業分工。他們在日常工作流程中扮演各自的角色，互相協作，完成各種不同的專案——這也是為何我們最後要強調，除了技術以外，溝通與協作等軟技能也非常重要！
（原文標題：2023 年想成為數據工程師的 12 項必備技能）
[joblist_plugin title='推薦【數據／資料工程師】工作機會' url='https://www.104.com.tw/jobs/search/?ro=0&keyword=%E6%95%B8%E6%93%9A%E5%B7%A5%E7%A8%8B%E5%B8%AB&expansionType=area,spec,com,job,wf,wktm&jobsource=blogc&langFlag=0&langStatus=0&recommendJob=1&hotJob=0' amount='3']
【數據／資料工程師】職場常見證照整理：
序號證照證照介紹發照單位1DP-203 Azure資料工程師技術師身為此認證的應試者，您應該具備主題專業知識，能夠將各種結構化、非結構化和串流資料系統中的資料，整合...＜詳情＞Microsoft2Google專業資料工程師認證專業資料工程師透過收集、轉換和發布資料來實現以資料所驅動的決策。資料工程師應該能夠設計、建置、操作...＜詳情＞Google3SSE 大數據國際認證隨著有關大數據的程式語言、運算平台、基礎理論，以及虛擬化、容器化的技術成熟...＜詳情＞Silicon Stone Education4AWS認證的數據庫-專業級認證報考資格：1.接觸資料庫技術至少 5 年、2.實際使用 AWS 至少 2 年...＜詳情＞Amazon Web Services5台灣風險數據分析師除了相關法遵外，應具備在風險數據分析、質量方法運用、風險預測建模等高階專業...＜詳情＞社團法人台灣風險管理協會更多數據相關證照＜前往＞
【數據／資料工程師】職場再進修課程推薦：
課程名稱課程介紹【真人直播】零基礎Python數據分析與即時看板實作在這堂課程中，我們將帶你從學習基礎 Python 出發，了解各種常見資料檔案格式與編碼，透過 Python 進行資料表單或檔案的自動化彙整與分析...＜課程介紹＞GA4+GTM網站數據分析實戰課專業的教學設計，以第一線網站數據分析工作者角度，剖析 GA4 四大要領，從觀念的理解到上手實作，提升你的數據分析能力。…＜課程介紹＞成為數據分析師的第一把鑰匙：用Python實作三個資料分析專案以非工科生成功轉為數據分析師的經驗、第一線職場實戰角度出發，來設計這門課程，適合零基礎、初入門、想轉職作數據分析師的你!…＜課程介紹＞零基礎成為Python金融數據分析師｜金融資訊爬蟲X視覺化應用課程單元從 Python 程式基礎開始，包含變數、資料型態、流程控制、函式、例外處理等 金融主題的網路爬蟲程式教學，製作Python爬蟲工具…＜課程介紹＞更多數據相關課程＜前往＞
如何成為後端工程師？精準掌握必備核心技能＆職涯精進攻略
你是否想轉職成為後端工程師，打造更穩定、具成長性的技術職涯？無論你是剛開始學習程式語言的新手，或正在尋找明確學習方向的職場工作者，這份後端學習地圖將幫助你掌握後端工程的核心技能、實戰經驗與職涯發展路徑。透過系統化的學習規劃與專案實作，你將更有信心地踏入後端領域，成為職場中真正被需要的技術人才。
文 /【104學習精靈】
本文目錄（點擊可快速前往）
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能轉職後端工程師的學習策略後端工程師薪資行情與職涯發展後端工程師的挑戰與機會
後端工程師是什麼？和前端、全端工程師有什麼不同與優勢之處？
🎯 後端工程師工作內容
後端工程師（Backend Engineer）主要負責伺服器端的邏輯開發，包括資料庫管理、API 設計、伺服器架構以及系統效能優化。他們確保前端應用程式能夠順利與後端系統交互，並提供穩定的數據與服務。
🎯相近職類比較：DevOps、全端、前端、後端工程師差別
職位主要負責技術負責範圍後端工程師（Backend Engineer）伺服器架構、API 設計與串接、資料庫管理、效能優化負責後端邏輯、數據清理，確保前端能夠存取正確的資料前端工程師（Frontend Engineer）HTML、CSS、JavaScript、React、Vue負責 UI/UX 設計，開發與使用者互動的前端界面全端工程師（Full Stack Engineer）前端 + 後端技術能獨立開發完整應用，涵蓋 UI、後端 API、資料庫管理DevOps 工程師（DevOps Engineer）Docker、Kubernetes、CI/CD、自動化部署負責開發與運行環境的部署、監控與維護，提升開發效率
🎯 為什麼選擇後端開發？
後端開發是資訊產業中穩定且高度需求的領域，適合對邏輯、架構、系統思維有興趣的學習者投入：
就業市場穩定成長：隨著數位化轉型普及，後端開發職缺在各行各業皆有需求，從新創到大型企業都有穩定徵才。
強調邏輯與架構設計：後端工程著重資料儲存、伺服器溝通、API 設計等，適合喜歡系統設計與架構思考的人。
職涯彈性大：從初階後端工程師到系統架構師，甚至 DevOps、SRE、資安領域都有後續延伸路徑。
遠端與自由接案機會多：後端開發技能通用性高，較容易接國際案或轉為遠距工作者。
AI 與資料應用的基礎：資料庫管理、API 串接、運算效能等能力，也可延伸應用至 AI 系統部署或資料工程等新興領域。
🎯 誰適合轉職後端工程師？
後端開發適合各類背景者，關鍵在於邏輯思維、學習動機與持續投入：
✅ 設計/前端背景：具備良好使用者體驗與前端邏輯，轉後端可成為 Full-Stack 工程師，提升職涯彈性。
✅ 商管背景：邏輯能力佳且理解商業流程，適合轉後端結合業務邏輯，強化企業系統開發應用。
✅ 理工背景（如物理、數學）：邏輯與抽象能力強，容易掌握資料結構與演算法，是進入後端的優勢群體。
✅ 非資訊領域自學者：只要有堅強動機與自律力，透過系統性訓練與專題實作亦能成功轉職。
✅ 現職 IT 工程師（如測試、維運）：已具備技術背景，轉入開發領域有明顯加速效益。
✅ 資料分析師：熟悉資料處理與 Python，轉向後端可擴展資料處理與系統部署的完整技能鏈。
掌握後端工程師的核心能力：必備工具技能 x 學習路徑 x 軟技能
🧭 後端工程師技能、工具分類表
語言與工具資料處理與資料庫API 設計與架構DevOps 與部署基礎Python / JavaScript / Java / GoGit / GitHub / GitLabSQL（PostgreSQL / MySQL）資料庫基礎觀念REST APIHTTP 基礎了解部署概念核心*熟悉後端框(SpringBoot, Django, Express, Gin)*熟悉語言設計模式撰寫可讀性高的程式NoSQL（MongoDB / Redis）基本資料模型設計身分驗證（JWT / OAuth）API 文件設計（Swagger）*Docker 容器化*CI/CD 自動部署 進階*多語言協作力*程式效能優化*高效能資料庫設計*索引分片與備援策略GraphQL / gRPC微服務架構（CAP / CQRS / Event Sourcing）Kubernetes、服務網格（Service Mesh）監控與日誌系統認證*程式語言認證 (例如Python 程式設計證照PCAP）*個人作品集AWS Database SpecialtyMongoDB 認證*API 設計課程證*書專案開發經驗（如 Hackathon）*AWS Certified DevOps Engineer*CKA（Kubernetes Administrator）▲ 後端工程師應具備技能、工具能力、職涯指引表，點選不同技能會對應到相關課程。
後端工程師學習地圖與路徑（搭配AI工具）
🔰 初學者階段（0–6 個月）
✅ 目標：熟悉基礎程式語言與網路知識，能夠開發基本 API。
📌 學習內容：
選一門後端語言（Python / JavaScript / Java）：選一門主流語言打好程式基礎，進入開發世界。
Git 與版本控制（GitHub / GitLab）：讓你能有效保存、回朔與分享你的程式碼。
理解網路基礎與 HTTP 協議：理解網站如何運作與資料如何傳輸。
SQL 資料庫（PostgreSQL / MySQL）：學習資料查詢語言，管理網站背後的資料。
REST API 開發：學習建立網頁服務的後端接口。
Python 程式設計能力 - 線上免費檢測
📌 AI 工具應用：
ChatGPT 協助語法學習與除錯：快速解釋語法、找出 bug、提供程式碼建議。
GitHub Copilot 協助寫基礎 CRUD 程式碼：協助補上程式片段。
📌 備選學習：
Go 語言：效率高但語法嚴謹，對初學者略具挑戰。
Node.js（JavaScript 後端）：若未來想走全端路線可以學。
✅ 適合考取的證照：
Python 程式設計證照（PCAP）
ITS (Information Technology Specialist, IT 資訊科技專家認證
Oracle MySQL Database Developer
AWS Certified Cloud Practitioner（雲端基礎，有助於未來學 DevOps）
[course_plugin title='Python課程' keyword='Python 輕鬆上手學' amount=1]
[course_plugin title='後端工程師入門課程' keyword='成為後端工程師' amount=1]
🚀 中階階段（6–12 個月）
✅ 目標：熟悉進階 API 設計、資料庫優化，學習 DevOps 工具。
📌 學習內容：
學習後端框架 (Express、Spring Boot、Django、Gin) ：掌握常用的後端框架。
身份驗證與授權（JWT、OAuth）：幫使用者安全登入，讓資料不被偷看。
NoSQL 資料庫（MongoDB、Redis）：適合儲存彈性格式的資料或快取機制。
Docker 容器化：讓你的程式「打包好、帶著走」。
CI/CD 自動部署（GitHub Actions）：程式更新後自動上線，省時又省心。
📌 AI 工具應用：
使用 AI 幫你產生 Dockerfile 與 CI/CD 配置：不懂也能靠 AI 輔助上手。
協助設計 API 架構與資料庫 schema：加速設計與重構過程。
📌 備選學習：
GraphQL：適合複雜資料查詢，但非所有團隊使用。
gRPC：適合內部高效通訊場景，小型專案可暫不碰。
Jenkins（較舊型 CI/CD 工具）：學習成本高，可視需求使用。
HATEOAS（超媒體 API）：學術價值高，實務上較少見。
✅ 適合考取的證照：
MongoDB Developer Certification
Docker Certified Associate (DCA)
Microsoft Azure Fundamentals (AZ-900)
HashiCorp Terraform Associate（如學有餘力涉略基礎 IaC）
[course_plugin title='後端工程師中階課程' keyword='接案必學 ◆ 邁向更專業的App開發' amount=1]
🏆 進階階段（12 個月以上）
✅ 目標：學習架構設計，提升可擴展性與效能。
📌 學習內容：
微服務架構（CAP 理論、CQRS、Event Sourcing）：學會如何將大系統拆小管理，處理資料一致性問題。
Kubernetes 與服務網格（如 Istio）：讓多個服務能自動部署與協調運作。
高效能資料庫設計與分片策略：設計能承受高流量的資料系統。
系統監控與安全性實踐（如 Prometheus、Grafana）：確保系統穩定、安全運作。
📌 AI 工具應用：
AI 幫你設計 YAML 檔與架構圖：快速理解與部署分散式架構。
系統瓶頸分析助手：用 AI 分析 log 或效能資料，加快除錯與優化。
📌 備選學習：
Istio 等 Service Mesh 工具：適合大型微服務團隊，維護成本高。
Event Sourcing：較進階模式，建議有實務需求時再深入。
✅ 適合考取的證照：
Certified Kubernetes Administrator (CKA)
AWS Certified Solutions Architect – Associate
Google Cloud Professional Cloud Architect
DevOps Engineer Professional（AWS / Azure）
[course_plugin title='後端工程師進階課程' keyword='Java進階專業｜前後端整合開發與應用' amount=1]
5個後端工程師應具備的軟技能特質：
邏輯思維與問題解決能力
能夠理解業務需求並轉化為系統邏輯，並針對錯誤快速找到根本原因。
【小測驗】來測測看自己的問題解決技巧 👉 問題解決 - 職能檢測｜104學習精靈
溝通與跨部門協作能力
後端工程師需與前端、產品經理、DevOps 甚至業務單位協作，良好的溝通有助於準確理解需求與回報技術限制。
【小測驗】來測測看自己的溝通能力技巧 👉 溝通協調 - 職能檢測｜104學習精靈
學習與自我成長動能
後端技術（如框架、資料庫、API標準）快速演進，必須持續學習與更新知識。
細心與責任感
後端處理大量資料及邏輯，細節錯誤容易引發資安問題或系統錯誤。
時間管理與自我管理能力
在遠端工作日益普遍的環境下，自律與時程安排變得尤為重要。
轉職後端工程師的學習策略
🎯 初學者或轉職者的學習策略
轉職或初學後端工程，建議採取階段式、任務導向的學習策略，以下列點歸納：
設定明確學習階段：分為基礎語言（如 Python/JavaScript）、資料庫應用、框架學習（如 Django、Node.js）、部署維運。
專案導向學習：每學完一個階段，就進行小型專案驗證所學，例如 Todo List、部落格、會員系統等。
培養問題解決能力：鼓勵查文件、逛論壇、問 ChatGPT，建立獨立解決 bug 的習慣。
學習版本控制與團隊協作：掌握 Git、GitHub、簡單 CI/CD，增加求職競爭力。
善用 AI 工具輔助學習：例如用 ChatGPT 解釋程式碼、Copilot 寫樣板、Kaggle 或 LeetCode 練習邏輯。
參與社群與實戰活動：參加黑客松、Open Source 專案、小型 Freelancer 案，強化實務經驗與人脈。
建立個人學習履歷：記錄學習歷程、撰寫技術部落格、整理 GitHub 作品集。
🎯 不同領域的客製化學習策略對照表
學歷背景優勢可能挑戰調整建議資訊相關科系已具備基礎程式能力、學科知識缺乏實務經驗、專案規模小強化實作專案與部署經驗，參與社群或實習累積履歷非資訊理工（如數學、物理）邏輯與數學能力強，適應資料結構與演算法快缺乏開發環境熟悉度與應用場景理解著重環境建置、框架與資料庫應用，透過實作強化「業界語感」設計/前端背景了解 UI/UX 與前端邏輯，轉職成為全端潛力大對資料結構與後端語法較不熟悉從 API 串接、簡單後端框架入手，逐步學習資料庫與後端設計邏輯商管/人文背景商業邏輯與跨領域溝通力強，善於理解用戶需求技術門檻高、邏輯訓練少以高階語言（如 Python）為起點，結合專案題材（如 CRM、報表系統）學習效果更佳在職 IT 工程師（測試、維運）已熟悉技術工具與環境、具系統性思維缺乏開發流程與程式架構設計經驗透過轉任內部開發專案或小型 App 開發練習，搭配設計模式與框架學習資料分析/AI 轉職者熟悉資料邏輯與語言（如 Python）、了解資料流缺乏完整系統建構經驗補足後端架構設計與部署技巧，從資料處理串接 API、Flask、FastAPI 切入
後端工程師薪資行情與職涯發展
後端工程師薪資概況
📌台灣後端工程師薪資
初階（3年以下經驗）：月均薪約6.2萬。
中階（3- 5年經驗）：月均薪約 6.5 萬。
高階（5-10年經驗）：月均薪約7.3萬。（以上資料來源：104薪資情報）
📌影響薪資的因素
技術棧與專精程度熟悉高效能架構（如微服務、分散式系統）、熱門語言（如 Go、Rust）、或 DevOps/雲端技能者，薪資會更高。
產業領域與公司規模金融科技、AI、新創、外商薪資通常優於傳產與一般中小企業。
作品集與實戰經驗有實際上線專案、參與開源、或技術部落格者更具競爭力。
證照與專業認證（如 AWS Certified、Kubernetes、GCP）對某些企業或外商來說是加分項。
英語能力與跨國協作經驗能與國際團隊溝通的工程師更受青睞，也更容易爭取外派或海外遠端工作機會。
英文能力 - 線上免費檢測
後端工程師的職涯發展路徑
🔵 技術專精路線（Individual Contributor / IC Path）
從「後端工程師」起步，專注於技術深度與系統設計，逐步升級為具備橫向影響力的技術專家。
▶ 初階 / 中階後端工程師（Backend Engineer）
負責功能開發、資料庫操作、API串接與單元測試。
▶ 資深後端工程師（Senior Backend Engineer）
擁有跨模組開發與維護經驗，熟悉系統效能優化、API 設計規範。
✳️ 學習前端技術 → 全端工程師（Full-Stack Engineer）
技能補充： React/Vue、Node.js、前後端整合、RESTful/GraphQL。
應用情境： 適用於產品團隊需快速開發 MVP 或技術創業者。
✳️ 提升系統架構能力 → 系統架構師（Software/System Architect）
技能補充： 微服務設計、DDD、API Gateway、資料一致性、可觀測性（Observability）。
應用情境： 適用於中大型系統升級或技術重構專案。
✳️ 學習 DevOps → DevOps 工程師（DevOps Engineer）
技能補充： GitOps, Jenkins, GitHub Actions, Docker, Ansible。
應用情境：經由緊密的開發＋運營合作，使企業更高效推出高品質產品。
▶ 全端工程師（Full-Stack Engineer）
獨立開發從 UI 到 API 再到資料庫的完整功能。
▶ 系統架構師（System Architect）
負責設計全系統技術藍圖，定義模組邊界、資料流設計與技術選型。
✳️ 進階發展 → 技術總監 / Technical Director
職責： 統籌技術方向，領導技術專案與架構決策，跨部門協作。
技能補充： 領導力、溝通簡報、技術戰略思維、預算與風險管理。
▶ DevOps 工程師（DevOps Engineer）
專精於部署、CI/CD、環境自動化。
✳️ 進階發展 → 雲端工程師（Cloud Engineer）
職責： 能設計具備高可用性與彈性的雲端基礎架構。
技能補充： 深耕 AWS/GCP/Azure 架構與雲原生技術（如 K8s、Terraform）。
🟢 團隊管理路線（Team & People Management）
此路線適合有溝通、協調與人員培育熱情者，從帶小團隊到參與公司策略。
▶ 後端 Team Lead / 技術主管
同時參與開發與團隊管理，負責人力分配、專案交付與人員指導。
技能補充： Agile/Scrum、敏捷儀表板管理、1-on-1 輔導技巧。
▶ 技術經理（Engineering Manager）
管理多組技術團隊，協助產品規劃、技術優化與跨部門協作。
負責團隊招募、績效制度設計、技術資源管理。
▶ 技術總監（Technical Director）或 VP of Engineering
結合技術與策略視角，影響公司中長期技術方向。
需要具備技術深度 + 商業理解力。
🟠 技術轉職／橫向拓展路線（Cross-functional Path）
探索其他工程領域，發揮後端背景延伸價值，適合追求多元發展者。
▶ 資料工程師（Data Engineer）
優勢：
熟悉 API 設計＆模組化架構：資料平台的模組設計類似微服務設計邏輯。
熟悉系統效能：幫助處理大規模資料運算與資源調度。
熟練程式語言(如 Python、Java)：可快速上手資料工程工具
可有效打造 ETL 流程、管理資料倉儲、支援 AI/ML 任務。
技能補充：
資料處理：Spark、Kafka、Airflow、dbt
資料庫：PostgreSQL、ClickHouse、BigQuery、Snowflake
資料管線：ETL/ELT流程設計、Data Lake、Data Warehouse 架構
編程與基礎統計：Python、SQL、資料品質檢查
職涯發展路徑流程圖
🔹 總結路徑圖說明
(起點)
後端工程師
│
├── A. 學習前端 → 全端工程師
├── B. 提升架構能力 → 系統架構師
│ └── 技術決策 → 技術總監
└── C. 學習 DevOps → DevOps 工程師
└── 深入雲端架構 → 雲端工程師
哪些產業需要後端工程師？
後端工程師幾乎是「所有數位服務產業的基礎職位」，以下是常見產業範疇：
📌電商與零售：處理會員系統、購物流程、庫存管理、金流串接等核心後台邏輯。📌金融科技（FinTech）：開發支付、帳戶、交易、驗證等安全敏感的服務。📌社群與內容平台：如論壇、影音平台、交友 App，後端負責資料儲存、帳號系統與推薦演算法等。📌SaaS / B2B 企業服務：提供線上系統給其他企業使用，如 CRM、HR 系統。📌物流與運輸：如外送、倉儲、車隊派送，依賴大量 API 串接與資料即時處理。📌醫療與健康科技：處理病例、預約、穿戴裝置資料等，需高度資安與資料完整性。📌遊戲與娛樂產業：遊戲帳號、伺服器同步、排行榜、商城等核心功能皆由後端處理。📌政府與公部門資訊系統：如戶政、健保、交通資訊等數位服務。
後端工程師的挑戰與機會
🚀 6個常見的後端工程師挑戰
技術複雜度高：需同時掌握資料庫設計、系統效能、資安與架構邏輯。
看不見的貢獻：成果不如前端「有畫面」，但卻是維運的關鍵，常常被低估。
資安責任重大：系統若當機、資料異常，後端通常是第一個要排解問題的人，需確保數據安全，防止攻擊與資料洩漏。
需快速跟上技術演進：如容器化（Docker）、微服務架構、雲端部署等都不斷更新
高效能與擴展性要求：需設計能夠處理大量請求的系統，確保穩定性與效能。
跨團隊協作：需要與前端工程師、產品經理、DevOps 團隊密切合作，確保系統順利運行。
🌟 後端工程師4大機會
可轉職多種技術職：例如 DevOps、技術主管、架構師，或橫移到前端/全端。
全球需求穩定成長：任何需要「運作」的數位產品，都需要後端支撐。
遠端與海外機會多：因後端較少受地域限制，常見國際合作或海外招募。
進可攻、退可守：進可發展高階技術領域如 AI 後端、大數據平台，退可穩定就業於各類企業內部系統開發。
延伸閱讀：
產品經理 - 學習地圖(上)：技能養成篇
成為雲端工程師的攻略指南：核心技能＆職涯精進完整解析
轉職前端工程師│工作內容、技能、薪水與職涯發展指南
數據分析師工作內容是什麼？薪水高嗎？技術能力與職涯發展指南
想當資料工程師？工作內容、核心技能、薪水、職涯發展完整解析
[joblist_plugin title='更多104【後端工程師】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=%E5%BE%8C%E7%AB%AF%E5%B7%A5%E7%A8%8B%E5%B8%AB&mode=s&page=1' amount='3']
AI生成簡報工具怎麼選？Gamma、Felo、Gemini Notebook等6大AI簡報工具推薦
用AI簡報工具製作PPT、Google Slides，哪個工具適合我？本文一次比較包括Gamma、Manus、Canva AI、Gemini Canvas、Felo、Gemini Notebook（原NotebookLM）等6大AI簡報工具，包括特色、優缺點與適用情境，幫你快速選對工作效率神器！本文節錄自《超有料！職場第一實用的AI簡報術》。
文／廖韋評
本文目錄（點擊可快速前往）
目前市面上有哪些常見的AI簡報工具？Gamma：AI簡報的先驅者Manus：自動化程度最高的簡報工具Canva AI：追求設計感的高手專用Gemini Canvas簡報模式：一鍵連動Google SlidesFelo簡報模式：搜尋到簡報一氣呵成NotebookLM簡報生成：把大量資訊轉為精緻簡報
（編按：NotebookLM於2026年7月更名為Gemini Notebook。以下為原始文章：）
以往我們要製作一份投影片，需要先挑選範本、打上文字、放入圖片，然後新增一張投影片、重複以上動作十幾次。而且資料放完之後，還需要注意資訊會不會太多、版面好不好看，然後大量的調整……，現在有了AI簡報工具之後，這些都不再是問題！
編按：為了確保AI能夠做出精準符合需求的簡報內容，作者建議先定義簡報需求，做資料蒐集及資料彙整之後，透過投影片大綱規劃模組，生成完整投影片大綱，接下來就可以正式進入以AI簡報工具生成投影片的環節。延伸閱讀：用AI做簡報，建議先「生成大綱」！簡報大綱規劃模組Prompt分享
目前市面上有哪些常見的AI簡報工具？
本書挑選了Gamma、Manus、Canva AI、Gemini Canvas、Felo、NotebookLM這六種AI簡報工具作為代表，可能有些讀者會很困惑該怎麼選擇，這邊簡單提供一個簡單的比較表格：
工具比較GammaManusFeloCanva AIGemini CanvasNotebookLM指定文字內容VVXXVV生成頁數上限10/20/7512/2420-3030-4030-4015-20版面平衡最佳尚可最佳普通尚可最佳素材設計感尚可普通普通最佳普通最佳使用上傳背景VVXVXXAI圖片生成VVVVXV自訂視覺風格VVVVXX批次調整VVXXVX手動編輯板塊式介面僅能微調僅能微調自由調整XX進階投影VVXVXX匯出格式PDF/PPTX/PNG/Google slidePDF/PPTX/Google slidePDF/PPTXPDF/PPTX/MP4/JPG/PNG/GIFGoogle SlidePDF
圖／旗標《超有料！職場第一實用的AI簡報術》
電腦版大圖：請開啟瀏覽器輸入網址：deck.tw/decktool
接下來我們將一一評比分析每個投影片工具的優點、缺點，讓大家可以根據需求挑選出最適合自己的工具！
Gamma：AI簡報的先驅者
Gamma擁有穩定的簡報生成品質、多樣化的視覺範本與豐富的設計功能，生成速度極快、但在文字量較多、邏輯複雜的情況下容易表現不佳。
優點缺點● 模組式設計介面對新手友善● 多種視覺邏輯模組可套用● 支援輕鬆更換主題配色● 可透過Agent以自然語言修改投影片● 投影片生成速度極快● 免費額度不補充（付費版則不受限制）● 免費版單次生成頁數僅10張● 無法整合搜尋，大綱規劃能力較差● 除了上傳模式外，無法整合圖片素材● 太多人使用，容易看得很膩
網址：https://gamma.app
使用方法：
「生成模式」讓AI根據提示詞生成主題大綱
「匯入模式」用現有檔案內容產生簡報
「貼上文字模式」貼上指定簡報大綱，100%指定生成內容
圖／旗標《超有料！職場第一實用的AI簡報術》
Manus：自動化程度最高的簡報工具
Manus具備極高程度的自動化整合能力，可以完美遵守本書提供的指令模組來產出內容，但在細節版面、字體比例與邊界控制上仍顯得不夠穩定，編輯功能也相對陽春，適合製作專案導向的投影片。
優點缺點● 規劃、搜尋、整合文字一氣呵成● 可整合使用者上傳圖片素材● 投影片可整合訊息較多● 點數制度無法吃到飽使用● 字體常常出現過小情況● 設計容易超出16:9邊界導致文字被吃掉● 編輯功能較為薄弱，無法自由新增內容
網址：https://manus.im/
使用方法：點擊輸入框下方的「投影片模式」（製作簡報），再輸入想製作的簡報主題。可提供標題、上傳舊PPT，或直接提供完整簡報大綱與參考資料
圖／旗標《超有料！職場第一實用的AI簡報術》
Canva AI：追求設計感的高手專用
Canva AI擁有龐大的設計素材庫與完整編修工具，能在「素材美感」與「調整彈性」上提供最強大的支援，但在自動文字編排與資訊密度控制上有許多不足，常需依賴使用者自行調整平衡。
優點缺點● 模板素材的整體設計感較好● 強大Canva設計工具可做精細編修● 投影片張數不受限制● 無法100%自訂投影片內容● 僅協助套版、文字容易過小● 偶爾會出現英文內容，須付費功能才能批次翻譯
網址：https://www.canva.com/ai/
使用方法：點擊輸入框下方的「設計>簡報」，可輸入想製作的簡報主題，並選擇「分享對象」、「風格」、「長度」
圖／旗標《超有料！職場第一實用的AI簡報術》
Gemini Canvas簡報模式：一鍵連動Google Slides
Gemini Canvas設計的簡報版面一如Google的簡潔俐落，強大的資訊處理功能使其可以處理較多頁數的投影片設計，適合較龐大的商務任務。缺點是生成時間較久、以及需要發佈到Google Slides才能做細節編輯。
優點缺點● 設計風格簡約● 可發布至Google Slides以利後續編輯● 投影片張數不受限制● 指令複雜時無法穩定觸發簡報模式● 輸出到Google Slides時會些微跑版● 投影功能較薄弱● 多次編輯時容易有Bug● 預設從網路抓取圖片
網址：https://gemini.google.com/canvas
使用方法：選擇「Canvas」模式，在指令輸入「請幫我製作一份關於OO的簡報」，就會進入簡報製作模式。如果想匯出簡報，點擊Canvas區塊上方的「匯出成簡報」，即可至Google Slides更自由的做細節編輯。
圖／旗標《超有料！職場第一實用的AI簡報術》
Felo簡報模式：搜尋到簡報一氣呵成
Felo的投影片設計質感令人驚豔，可以把搜尋的內容轉變為大綱。但是不支援指定內容的大綱，同時投影片生成之後就不支援批次調整，匯出時跑版情況嚴重，比較偏向小型或輕量化的研究主題。
優點缺點● 自訂Agent模式可容納一萬字左右的Prompt● 可直接將搜尋結果轉為投影片● 產出前會產生三種TA的StoryLine供你選擇● 設計質感良好，整體風格穩定● 點數制度無法吃到飽使用● 產出之後無法批次調整或再製● 編輯功能較為薄弱，僅能微調介面元素項目
網址：https://felo.ai/
使用方法：在首頁點擊「AI簡報」，或在回答頁選擇「生成AI幻燈片」、「轉換至AI簡報」。
圖／旗標《超有料！職場第一實用的AI簡報術》
NotebookLM簡報生成：把大量資訊轉為精緻簡報
NotebookLM的簡報模式是目前整體簡報設計評價最高的工具，透過圖片生成的方式，能夠根據主題內容產生豐富的輔助設計。
優點缺點● 整體設計感最佳‧ 可在投影片中呈現大量訊息● 能根據簡報內容呈現視覺化邏輯● 可直接在NotebookLM中完成簡報● 使用圖片方式生成，後續調整不方便● 文字過小時，仍然會出現亂碼● 無法將來源圖片直接整合到簡報中
網址：https://notebooklm.google.com/
使用方法：於工作室區塊選擇「簡報」，或點編輯圖示選擇「自訂投影片」調整格式、語言、長度，以及輸入大綱、目標對象、樣式和重點。NotebookLM會自動整合來源內容產生投影片大綱，並根據大綱產生高度視覺化的投影片。
圖／旗標《超有料！職場第一實用的AI簡報術》
延伸閱讀：NotebookLM簡報怎麼編輯？5招修改法實測，轉PPTX、線上改都行
你可以看完這些工具的比較之後，選擇自己相對有興趣的工具開始體驗！
節錄自：旗標《超有料！職場第一實用的 AI 簡報術：用對工具讓生產力全面進化！》／廖韋評 著
★ 104學習推薦：建立「職場簡報力」標準，讓你的能力被看見 ★重量級講師王永福、謝文憲、葉丙成共同發起認證＋考前影片：▶ 台灣簡報認證 - 初級｜通過認證回傳104履歷
[course_plugin api_type='course_id' title='104學習推薦：' id='39d7b0fe-6384-450f-aee8-eaa8932b544d']
整理包／最熱門生成式 AI 大拚場 ChatGPT、Gemini、Grok、DeepSeek 各擅長什麼？
2025-06-24報導／經濟日報記者吳康瑋 由聯合新聞網授權轉載
生成式人工智慧（GenAI）技術迅猛發展，多款強大的AI工具幫助各行業提升工作效率。《經濟日報》為協助讀者了解各項AI工具，將「ChatGPT、Gemini、Grok、DeepSeek」等四大生成式AI列出，為讀者分析四款生成式AI的各自效能，就「開發者」、「訂閱費用」、「主要功能」及「擅長領域」等細項逐條分析。
AI工具確實快速提升效率，不過使用者也要注意，目前的AI工具不保證完全正確，甚至也會答非所問、提供錯誤資訊、或產生「AI幻覺」，使用者對生成的資料仍應有基本的辨識能力，避免AI工具謬誤。
各家生成式AI重點馬上看
ChatGPTGeminiGrokDeepSeek使用建議
ChatGPT
OpenAI的ChatGPT堪稱帶動GenAI風行的先驅，也有廣大用戶，付費企業客戶近期突破300萬戶，有免費與付費模式，每月20美元的ChatGPT Plus訂閱費每月20美元，用戶指出，付費版反應速度更快，用戶在使用ChatGPT時隨時擁有最佳的使用品質。
「資料分析」方面，ChatGPT的優勢在於將資料壓縮、精簡化，適合急需快速獲取關鍵訊息的使用者。「文案生成」上，適合創作個人化內容。「圖表製作」方面，ChatGPT的圖表較為簡單，但圖片較無法把文字一起生成出來，繪圖時整體構圖比較簡單。
網址：https://chatgpt.com/
ChatGPT小檔案
開發者OpenAI付費版費用每月20美元（約新台幣610元）主功能提供文本生成、對話回應、內容創作、翻譯、問題解答等多種功能擅長領域自然語言處理、文本生成、教育輔助、創意寫作、客服支持等
Gemini
Google DeepMind開發的Gemini專注於多模態學習，能同時處理文本、圖像和音頻數據。版本包括2.0、2.5和最新的2.5 Pro，推理和數據處理能力進步快速。Gemini 2.5 Pro提供更強大的計算能力和更高準確性，讓用戶在處理複雜任務時能獲得更佳體驗。付費版額外提供用戶包括2TB儲存空間、Gemini Advanced和其他AI功能。
「資料分析」方面，Gemini提供的內容易於閱讀，文法經過重新梳理，適合需要清晰解釋的使用者。在「文案生成」上，Gemini能一次生成多達15個標題，提供選擇建議，對於需要多樣化提案的用戶非常方便。「圖表製作」方面，Gemini 的完整度高，使用者可選擇不同的圖表類型，並能下載圖片、Excel或JSON格式的數據。
網址：https://gemini.google.com/
Gemini小檔案
開發者Google DeepMind付費版費用每月19.99美元（約新台幣650元），可免付費試用一個月主功能強大的推理能力，擅長處理複雜的問題和情境，能同時處理文本、圖像和音頻數據等多模態文件擅長領域AI推理、圖像理解、科學研究和技術開發
Grok
Grok是由X（前稱 Twitter）開發的生成式AI，專注於社交媒體內容的生成。最新版本Grok3提供更強大的功能，能即時生成與當前熱點話題相關的內容，結合社交媒體數據分析趨勢，提升用戶互動的實時性，成為品牌營銷和社交媒體管理的理想工具。
「文案生成」方面，Grok風格簡潔有力，類似科技周刊的風格，適合快速傳達訊息。「圖表製作」方面，Grok可以較為輕鬆的運用文字組成圖表，並附上有關的資訊數據，對於需要快速理解數據的使用者來說很實用。
網址：https://grok.com/
Grok小檔案
開發者應用程式X（前身為Twitter）付費版費用每月30美元（約新台幣970元）主功能即時生成與當前熱點話題相關的內容擅長領域社交媒體互動、內容創作、即時訊息生成和品牌營銷
DeepSeek
DeepSeek專注於資料搜尋和訊息檢索，開發商為位於中國大陸的「杭州深度求索人工智慧基礎技術研究」，中資避險基金幻方量化創立的人工智慧公司，創始人暨執行長梁文鋒持續致力將大陸AI技術推向全球市場，提供R1和R2兩種不同的服務模式。
「資料分析」方面，DeepSeek提供前言和總結，讓懶人可以快速理解內容。在「文案生成」上，DeepSeek的口語化風格能夠生成10個標題，附上創作理念和選擇建議，適合需要親民語言的使用者。「圖表製作」方面，DeepSeek使用文字排列呈現，提供Python程式碼，對於技術使用者來說相當便利。
網址：https://www.deepseek.com/
DeepSeek小檔案
開發者中國大陸企業「深度求索」付費版費用每100萬（輸入）tokens收費人民幣16元（約新台幣66.68元）主功能資料搜尋和訊息檢索，利用生成式AI技術提升搜索引擎的智能化，提供相關建議和訊息過濾功能擅長領域資料搜尋、訊息檢索、知識管理和數據分析
使用建議
生成式AI工具已經落地商業化，從自然語言處理到多模態學習、社交媒體互動及訊息檢索等多種服務都能提供，競爭也更加激烈。用戶可根據自己的需求，選擇最合適的AI工具，以提升工作效率與創造力。
綜合比較四款生成式AI後，提供讀者幾點建議。若需要多樣化的文案提案，可考慮Gemini；若喜歡口語化一點的表達，可選擇DeepSeek。AI繪圖方面，生成多幅圖片建議可使用Grok，若希望作品有較高的品質，可選擇Gemini。在「資料分析」方面，若希望能獲取較「簡潔明瞭」的資料，建議選擇「ChatGPT」，讀者若希望能得到比較容易理解的內容，應該選擇Gemini。
針對「表格整理」方面，若要以更快的速度掌握大致上的資訊，建議選用ChatGPT；若讀者希望在表格中能得到較「詳細」的內容，可考慮DeepSeek。針對「生成圖片」功能上，若讀者追求圖表要具有充分「完整性」的類型，建議使用Gemini。
推薦閱讀：
AI聽話卻沒懂你？OpenAI揭露AI「裝乖」假象與職場真風險
AI強勢取代！企業寧僱AI也不找菜鳥，今年畢業生有多慘？
除了ChatGPT，還有哪些生成式AI？16種AI工具應用解析
打造ChatGPT行政小助理：專屬AI助理幫你處理瑣碎行政工作
[course_plugin title='推薦AI相關課程' keyword='AI' amount=2]
AI共學指南：從心法到工具、實戰應用，系統化升級學習思考力
AI工具爆炸成長，真正的競爭已不是誰用得多，而是誰用得好，懂得與AI共學的人，才是未來真正的高手。AI教育專家蔡明順親授實戰心法，帶你從「用工具」進階為「用AI成長」，一步步修煉出升級版的自己。
文／邱煜庭 由Cheers人才永續頻道授權轉載
本文導覽
AI共學心法：明心見性，掌握AI共學祕訣AI共學招式：循序漸進，拆解練功路線圖AI共學工具：倚天劍或屠龍刀，哪一把適合你？AI共學實戰：返璞歸真，從知識走向實踐AI共學修煉：內功為本，系統性學習決勝負
當AI將知識取得門檻降至最低，這場學習革命的重點在誰更懂得與「AI共學」！從心法、招式到實戰與工具，AI教育專家一步步拆解，教你把AI從「工具」升級為「學習拍檔」，修煉出升級版自我。
「當AI出現後，每個人能力水平變得相近，差別就落在主動性，以及懂不懂運用AI幫助學習。」臺灣人工智慧學校校務長蔡明順指出。
所謂「AI不會取代人，只會取代不會用AI的人」，這句話揭示的未來近在眼前，特別是在學習與提升能力方面。
從蒐集資訊、整理、分析、到提取轉換成知識都能加速進行的AI時代，懂得運用AI協助學習，就能在能力上甩開其他人一截。
然而，具體要怎麼做呢？過去曾在美商Oracle甲骨文、SAP思愛普擔任過高階主管，目前投入AI教育，培育超過1萬2千位AI人才的蔡明順不藏私，大方給出他的AI學習心法、秘訣以及工具建議。
接下來，就讓我們跟著前輩的腳步，循序成為懂得活用AI的武林高手。
AI共學心法：明心見性，掌握AI共學祕訣
蔡明順指出，他的學習模式已從「單向吸收」躍升為「與AI共同創造」，把AI當成共學拍檔。
這就是所謂的「元學習」（meta-learning）：學習如何學習。他從設計學習策略，到不斷優化與AI提問與知識整合流程，不僅效率提升3至5倍、跨領域學習障礙降低，更從知識獲取轉向批判思考與創造力的培養。
「就像是一個人不僅學會如何釣魚，還掌握了如何在任何水域、使用任何工具高效地學會釣任何種魚的方法。」蔡明順表示。
他以兩個實戰案例說明運用方向：
1. AI共學與效率
「在課堂上我用手機錄音錄影，專注於於理解，筆記只記錄關鍵重點。回家後再將錄音和筆記上傳到NotebookLM。」
NotebookLM能替蔡明順辨識內容、重組架構並生成完整筆記，過濾無關資訊。且其將文檔轉為Podcast的功能，更讓蔡明順無時無刻都能複習，甚至，AI還能提供模擬考題。
蔡明順表示，這套系統讓他從傳統筆記抄寫解放出來，效率提升三倍並深化了理解與應用。
2. 角色扮演與對話
他還會上傳傑出人物的傳記、訪談和新聞至AI工具中，建立「私人董事會」系統，作爲虛擬導師群。
蔡明順說明：「面對重大決策時，我會諮詢這個董事會，讓AI模擬可能的建議與思考方式。」
比如需要創業決策時，可以先思考方案再請董事會給予反饋，從多角度檢視問題。不只獲取知識，更能模擬與頂尖人物對話的過程，讓AI升級為思維的擴增器。
AI共學招式：循序漸進，拆解練功路線圖
了解心法方向後該如何進行，蔡明順指出關鍵在「提示工程」技巧——如何用提問引導AI提供有深度的內容，成為有問必答的私人教練。細分為以下四個步驟：
鎖定目標——將學習目的寫得具體明確。
角色設定——為AI設定角色與任務，使其成為該領域的教練。
反饋循環——用思維鍊 (chain-of-thought) 持續微調提示。
統整反思——將AI提供的知識與經驗融合內化。
以下用準備一場商業簡報為例說明。
首先，確認目標是「在15分鐘內有效傳達複雜的市場數據」。
第二，以此設定AI的角色與任務，分別為數據科學家（簡化複雜數據）、故事專家（提供敘事結構）、設計顧問（建議視覺呈現）和反對者（提出尖銳的質疑）。
第三，建立思維鍊，與每個「角色」深入互動，不斷調整問題。蔡明順表示，特別有效的是讓AI分析簡報初稿，然後以「如果是賈伯斯（Steve Jobs）做這個簡報，他會如何改進？」等問題獲取靈感。
最後，便是回到個人層面，將獲取的建議經過消化後融入簡報。
蔡明順認為，以此四步驟不斷迭代，不僅簡報結構更緊湊、故事張力更強，更重要的是鍛鍊了跨域統整與精煉資訊的能力。
AI共學工具：倚天劍或屠龍刀，哪一把適合你？
有了明確步驟，還需找到稱手工具，而市面上AI工具百百種，蔡明順分享他挑選時考量的三件事：學習目標複雜度、專業領域特性、個人偏好。
入門探索：ChatGPT（免費版）＋Perplexity，可迅速掃描趨勢與背景。
進階深耕：ChatGPT（付費版）、Claude、Gemini，適合長文件推理與多輪對話。
專業垂直：Cursor（程式）、ChatPDF（文獻）、NotebookLM（研究整理）。
以上為根據需求由簡到繁列出的參考。蔡明順也舉例說明他如何精準使用不同工具：「為了深入研究新興的可再生能源技術，我運用了一系列AI工具來提升學習效率。」
該工具鏈為：ChatGPT梳理概念→Grammarly精準校閱→Midjourney視覺化技術原理→Gamma一鍵排版簡報。
ChatGPT能針對太陽能、風能的最新發展進行初步探索，快速獲取相關概念和基礎知識。更能協助理解複雜術語，並整理出初步研究方向。
有了方向後，當需要閱讀大量英文報告和論文摘要，利用文法檢查工具Grammarly，能幫助修正語法或拼寫錯誤，協助更準確的理解專業文獻。
接著，能根據文字生成圖像的Midjourney則負責將概念視覺化，例如輸入對特定能源系統或技術原理的描述：「高效能鈣鈦礦太陽能電池結構示意圖」、「離岸風力發電機組運作流程」。晦澀難懂的術語瞬間變為圖像，不再難以理解。
最後，如果想將研究成果呈現給同事或合作夥伴，在利用Gamma的AI自動排版和設計功能，一鍵將文字、圖表或Midjourney生成的圖像整合到簡報中。
「整合這些工具後，我在短時間能就能進行深入研究並產出高水準內容。」蔡明順表示。
AI共學實戰：返璞歸真，從知識走向實踐
即便工具與各種方法論推陳出新，但AI尚不是無所不能。對於其局限性，蔡明順指出，AI特別適合語言、程式、商業分析等結構化知識；但對需要實際體驗、練習或高度創意的項目，如游泳、作曲仍有限。
另外，對使用AI的缺點，如助長思考惰性、資訊準確性等等也必須有所警惕。
特別是資訊準確性問題，蔡明順認為是最大風險，而他也給出建議解決方法，包含：交叉驗證資訊、使用引用功能，以及培養批判思維。
「我們應該將AI作為起點而不是終點。」蔡明順語重心長。
他表示，過去在面對照顧罹患失智症父親的挑戰時，他就意識到AI共學的幫助與侷限。
AI能提供專業的失智症知識，如疾病進程、常見症狀和基本照護技巧等等，「但當他突然情緒激動、拒絕用藥時，AI給的建議，例如溫和堅定地解釋就完全不適用。」蔡明順提到。
因此蔡明順發展出「三明治學習法」，同樣以照顧父親為例：先以AI獲取醫學知識基礎，中間層是透過與醫護、長照人員互動驗證所學，最外層則是真實情境應用，也就是實際與病患相處的親身體悟。
從中獲得最珍貴的收穫，蔡明順認為是：「AI能告訴我『該做什麼』，但只有人與人之間的真實連結才能教會我『該如何做』。」
AI共學修煉：內功為本，系統性學習決勝負
綜觀整體概念，其核心精神仍繫於人的自主性與判斷力，不該完全仰賴AI。
要確保這點，蔡明順提出結構化的學習框架。
首先，設定SMART學習目標，也就是具體(Specific)、可衡量 (Measurable)、可達成 (Achievable)、切實可行 (Realistic），以及具時限 (Time-bound)。
其次，採用「70、20、10」學習模式，除70%實踐應用，20%與AI互動學習，仍有10%透過傳統學習資源，這是為了保證資訊準確，以及培養判斷能力。
第三，建立定期複習與反思機制，以隨時調整策略。
最後則是形成學習社群，與他人分享AI共學心得，互相砥礪更能維持動力。
無論使用何種方法，人類價值與判斷仍必須在駕駛座，蔡明順認為：「學習過程始終是要由人類主導。」
（原文標題：我獨自升級：從工具選擇到情境應用，AI專家傳授共學心法、逐步拆解實戰攻略）
延伸閱讀：
打造ChatGPT行政小助理：專屬AI助理幫你處理瑣碎行政工作
AI助攻學習大躍進，開啟英語學習新時代！
用AI快速寫Email！ChatGPT Writer、Copilot等中英文電子郵件生成｜附5種指令範例
從怕數學的心理系生，蛻變為最懂人心的行銷操盤手：夏雨農的顧客讀心術
輝達執行長黃仁勳：如果我是學生，我會這樣用AI提升職涯
天下學習6月客座學習長 #夏雨農 面對逐漸式微的當流量紅利，如何提升顧客轉換率？一窺最會「讀心」的行銷大師學習密技
擔心AI讓飯碗不保？微軟研究：這10大職業最危險！
生成式AI正在重塑職場，哪些工作最有可能被AI取代？又有哪些職業仍相對安全？微軟透過20萬筆用戶與Copilot聊天機器人的對話，分析出AI在職場中的真實影響。
文／王穎皓 由Cheers授權轉載
本文導覽
AI最常被使用的情境AI最擅長 V.S. 不擅長的任務受AI影響最大 V.S.最不受影響職業排名AI對高薪工作影響最大？此份微軟報告的參考性高嗎？
隨著生成式AI技術快速發展，職場變革已成為不可逆的趨勢。微軟最新研究分析了2024年前9個月、20萬筆Copilot用戶對話紀錄，發現AI最常被應用於知識型任務，包括資訊蒐集、內容撰寫、簡單諮詢與對外溝通。
AI最常被使用的情境
根據微軟研究團隊的分析，當用戶與AI協助時，多數需求集中在閱讀、研究、撰寫等文字性任務。反映出現階段AI在處理文字、語言和資訊整理方面的強大能力。
值得關注的是，雖然使用者與AI實際執行的任務僅約有60％重疊，意味著在40％對話中，兩者並不完全吻合。也就是說，AI的實際執行角色往往是解說、教學、勸導和提供協助，而用戶多數是在尋求資訊、進行閱讀研究工作。
雖然用戶對AI的期待與AI的實際能力之間存在差距，但AI在知識型工作上的應用潛力仍然相當可觀。特別是在需要大量資訊處理和文字工作的領域，AI已展現出顯著的輔助效果。
這種使用傾向反映AI最能勝任的是支援性角色，而非全面取代。例如，行銷人員可能讓AI協助撰寫文案、彙整市場資訊；客服代表則用AI整理回覆腳本、處理常見問題。
AI最擅長 V.S. 不擅長的任務
微軟研究也發現AI在特定工作活動上表現特別出色。在用戶滿意度最高的工作類型中，內容書寫、文件編輯、資訊研究、簡單諮詢與產品評估名列前茅。
若從任務層級觀察，微軟指出以下幾種類型的工作最容易被AI「助攻」甚至「自動執行」：
文字處理：內容撰寫、簡報製作、文件編輯。
資訊彙整：市場研究、資料查詢、產品分析。
基礎諮詢：常見問題解答、產品比較、流程教學。
這些活動有幾個共通點：結構化程度高、語言為核心、可遠距完成。這使得AI可以迅速提供可用結果，且用戶滿意度高。
相對而言，AI在以下工作中的表現尚不理想：
數據分析：需要判讀多元資料並下決策。
視覺設計：涉及美感判斷與創造性。
跨部門協作與複雜溝通：需理解人際互動脈絡與非語言線索。
這顯示AI雖強大，但尚未能完全勝任需高度創意與人際敏感度的任務。
受AI影響最大 V.S.最不受影響職業排名
微軟研究員根據Copilot用戶對每一個回覆的「讚」或「倒讚」，計算出「AI適用性分數」（AI Applicability Score）排名，評估不同工作活動由 AI 執行或支持的難易程度。
獲得更多「讚」的任務，代表用戶滿意度較高，AI 能取代該工作的機率愈大。而分數愈大則代表受AI影響較大。
口譯員及翻譯人員以0.49的分數居首，成為最可能被AI取代的職業。
這並不令人意外，因為AI在語言翻譯任務中的表現已相當優異，Google和Amazon等科技巨頭都推出了功能強大的翻譯應用程式。
緊隨其後的是歷史學家（0.48分），研究人員指出，收集歷史資訊正是AI表現最優異的領域之一。許多Copilot用戶習慣使用聊天機器人來研究歷史或社會議題，或審查材料的正確性，這使得傳統歷史研究工作面臨巨大挑戰。
AI最可能取代的前十大職業名單：
口譯員與翻譯人員（分數：0.49）
歷史學家（0.48）
乘客服務員（0.47）
銷售人員（0.46）
作家與作者（0.45）
客戶服務代表（0.44）
電腦數值控制（CNC）工具編程人員（0.44）
電話接線員（0.42）
售票員與旅遊社員工（0.41）
廣播播報員與電台DJ（0.41）
這些職業普遍具備3種特性：
高語言密集度（如翻譯、寫作、廣播）。
重複性高或流程明確（如接線、售票）。
可被遠端工具支援，非現場執行。
AI最難取代的職業名單：
與此對比，AI最難取代的職業則集中在以下類型：
需面對面互動的照護與服務工作：如護理助理、按摩師。
需要實體操作的技術勞動：如卡車司機、屋頂工、洗碗工。
依賴高度感官或體能判斷的職業：如建築工人、維修人員。
這些工作仰賴人類的實體行動、感官知覺與情緒理解能力，目前AI尚難模擬。
研究特別指出，「AI協助性」和「AI自動執行性」存在明顯差異。
許多需要實體操作的職業雖然可以透過AI獲得資訊和建議協助，但AI幾乎無法完全自動取代人類進行實際操作。這個發現為職場轉型提供了重要啟示：即使在AI時代，人機協作仍將是主流模式。
AI對高薪工作影響最大？
微軟研究在分析AI影響與社會經濟因素的關聯性時，發現了一些令人意外的結果。首先，AI影響力與職業平均薪資的關聯度相當微弱，這打破了「高薪工作更容易被AI取代」的普遍認知。
在學歷方面，研究顯示需要大學學歷的職業確實受到AI影響較高，但各學歷層級之間存在明顯的重疊區域。這意味著AI的影響並不完全按照傳統的教育程度區分，而是取決於工作內容的性質。
此份微軟報告的參考性高嗎？
然而，研究也指出了幾個重要的限制因素。
首先，統計數據僅反映「AI已展現的能力」與「用戶確實使用」的部分，無法完全預測未來的絕對影響程度。其次，研究僅基於Copilot平台，未涵蓋所有AI產品的使用情況，可能存在樣本偏差。
更重要的是，實際的AI影響程度將高度受到後續工作內容重構和職場決策的影響。許多組織可能會選擇將AI作為輔助工具，而非完全替代人力，這將大幅影響最終的就業結構變化。
從長遠角度來看，這項研究對於處在高風險職業的工作者而言，將是一記警鐘。及早學習新技能、轉換職涯跑道或學會與AI協作，將是適應未來職場變化的關鍵策略。
（資料來源：Microsoft Research、Entrepreneur）
（原文標題：微軟最新研究：AI最可能取代的１０種職業）
延伸閱讀：
AI時代的「大裁員潮」開始了嗎？工業革命級的衝擊正在逼近
不只AI搶飯碗！Z世代成企業裁員首選 專家揭「邊緣化」五大原因
「初階工作」恐被AI取代？當科技巨頭高層都這麼說，我們該如何應對？
用對ChatGPT，能「多賺一份收入」？５步驟用AI打造你的副業
AI取代人力後，效率反而下滑？全球獵頭公司Korn Ferry：小心裁員的隱性成本
誰該為AI新同事負責？國際兩大調查：人資將成為「Agent Boss」
產品經理 - 學習地圖(上)：技能養成篇
產品經理是一個融合創新、邏輯與溝通的角色。隨著數位化加速，產品思維逐漸成為組織決策的核心。從技術團隊、設計部門到商業營運，產品經理肩負整合多方資源、定義方向並推動產品落地的關鍵任務。
本篇產品經理學習地圖(上)：技能養成篇，將協助轉職者認識『從入門建構產品基礎思維』到中階『掌握用戶洞察與功能實作』，最終能『獨立推動策略規劃與跨部門協作』的相關職業技能，依循學習路徑，逐步成為具影響力的產品專案執行者！
文 /【104學習精靈】
本文目錄（點擊可快速前往）
產品經理是誰？為何成為熱門職業？ 產品經理工作內容 產品經理與相近職類比較表 為什麼選擇產品經理？ 誰適合轉職產品經理？ 掌握產品經理的核心能力：必備工具技能 x 學習路徑 x 軟技能 產品經理技能 × 學習階段 對照表格 產品經理學習地圖與路徑（搭配AI工具） 成為產品經理應具備的軟技能
產品經理是誰？為何成為熱門職業？
產品經理工作內容
產品經理（Product Manager）負責定義產品要解決的問題，並與設計、工程、行銷等部門協作推動產品從構想到落地。其核心職責包含：
需求探索：透過用戶訪談、行為數據、回饋收集等方式，洞察真實需求。
功能規劃：撰寫 PRD、制定功能優先順序、評估 MVP 可行性。
專案推進：主持日常開發流程，跨部門協調資源，確保開發進度與品質。
成果驗證：追蹤產品指標（如留存率、轉換率），進行 A/B 測試與功能優化。
策略規劃：參與產品路線圖規劃，制定中長期產品方向與營收目標。
產品經理既是產品成功的推動者，也是用戶價值的守門人。其價值在於將「使用者需求 × 商業機會 × 技術可行性」三者整合為具體可執行的產品方案。
產品經理與相近職類比較表
職位 關注重點 負責內容 常見產業 產品經理(Product Manager)使用者 + 商業價值 規劃產品功能與開發節奏 科技、電商、金融、SaaS 等 專案經理 (Project Manager) 進度與成本控制 控管時程、資源、人員配置 各類型專案導向型公司 UI/UX 設計師 使用者體驗 介面設計、動線、視覺規劃 軟體、行銷、遊戲、EdTech 等 資料分析師 數據洞察 分析用戶行為、產品數據、A/B 測試 金融、零售、科技、行銷
為什麼選擇產品經理？
📈 發展潛力大｜未來產業的中樞角色
不論是新創公司還是科技巨頭，產品導向已成為企業競爭的關鍵思維。
有產品就有需求，有需求就需要 PM——從 AI、SaaS、電商到 FinTech，每個行業都需要懂得「整合價值」的人。
企業不再只需要「能執行的專業者」，而是需要「能定義方向、驅動成長」的產品領導者。
🛠️能力多元｜最全面的跨域訓練場
產品經理是一個訓練全腦能力的職業：👉 左腦要有邏輯與分析能力（數據、商業）👉 右腦要能發想與感知使用者（設計、體驗）👉 兩者還要能與技術部門深度協作（開發、工程）
在角色中將學會「如何說服利害關係人」「如何觀察用戶行為」「如何評估一個功能是否值得投資」，這些都是未來每一份高階職位都會需要的綜合實力。
🚀 成長彈性高｜跨域轉換與職涯彈跳力強
PM 的角色可以橫跨不同產業與職能，時常需要與工程或設計專業職能有效通協作。是「所有關鍵決策職位的預備場」。
許多優秀的 PM 在職涯中轉職為：
創業者（Founder / Co-founder）
使用者體驗設計師（UX Designer）
數據分析師（Product Data Analyst）
成為產品主管、策略顧問，甚至進入 CPO、COO 等管理層
誰適合轉職產品經理？
🎓 1. 無產品背景但熱愛創新、解決問題者
你喜歡觀察生活問題、總是腦中浮現「這東西為什麼不能這樣改？」
從 side project 開始，就是最好的敲門磚。
無需程式背景，只要有邏輯、有使用者觀點，PM 是歡迎非典型背景者的職位。
💻 2. 工程師背景者
想脫離單純執行任務的角色，希望參與更多「要做什麼」的決策討論
PM 是讓工程師走向策略與產品領導的黃金道路。
技術理解力會讓你在 PM 角色上如虎添翼。
🎨 3. 設計師 / UX 專業者
有同理心、有用戶感知力的設計師，適合轉向更有產品話語權的角色。
讓你從 UI/UX 執行者，變成「產品體驗的主導者」。
許多產品團隊喜歡擁有設計底子的 PM，因為他們更懂體驗與細節。
📢 4. 商業 / 行銷 / 業務人員
熟悉市場與用戶痛點，對產品的商業價值有敏銳觀察
補足產品開發語言與邏輯，就能駕馭市場與產品之間的橋樑位置。
掌握產品經理的核心能力：必備工具技能 x 學習路徑 x 軟技能
產品經理技能 × 學習階段 對照表格
🧩 產品規劃與需求管理 📊 數據分析與驗證能力 🎨 戶體驗與設計思維 🤝跨部門協作與專案推進 基礎 - 撰寫 User Story、建立 Persona - 初步撰寫 PRD、功能清單 - 認識基本產品指標（DAU、MAU、CTR） - 初步理解 A/B 測試、使用 Google Analytics - 繪製使用者旅程圖、UX Flow - 使用 Figma 建立簡易原型 - 熟悉 Notion / Trello 等任務管理工具 - 學習基本會議記錄與任務追蹤方式 核心 - MVP 規劃、功能優先排序（RICE、Kano） - 撰寫完整 PRD、維護 Roadmap - 使用 Mixpanel / Amplitude 追蹤行為流 - 設計驗證機制（Cohort、Retention、轉換率分析） - 熟悉設計思考流程（Design Thinking） - 與設計師協作建立 Wireframe 與可用性測試 - 使用 Jira / Asana 進行敏捷開發任務管理 - 主持 Stand-up / Sprint Review / Retro 會議 進階 - 多模組產品整合與平台化思維 - 建立產品 KPI 指標並追蹤成效 - 設計數據導向決策邏輯 - 與資料分析師共構儀表板、做策略調整 - 優化使用者體驗，結合數據與測試結果反覆調整設計- 規劃用戶測試場景、引導焦點訪談 - 建立跨部門溝通 SOP 與產品知識共享 Wiki - 作為 PM Leader 引導 Junior PM、推進跨部門專案 認證 - CSPO（Scrum Product Owner）- Pragmatic PM 認證 - Google Analytics 證照- Mixpanel / Looker Studio 認證 - Google UX Design 認證- Nielsen Norman UX 課程 - PMP 專案管理師- CSM（Scrum Master 認證）
產品經理學習地圖與路徑（搭配AI工具）
🟢 第一階段：新手 PM 入門（0～6 個月）
✅ 目標：建立基礎產品思維與跨部門語言，從具體產出中培養使用者理解與任務邏輯。
📌 學習內容：
【產品市場機會】：初步理解產品與市場的關係（例如：Who / Why）
【找出使用者需求】：撰寫 User Story、建立 Persona、使用者旅程圖
【設計思考】：練習 Wireframe / Wireflow 製作，視覺化想法
撰寫簡易 PRD：說明做什麼與為什麼
學會製作 UAT（功能性測試 / 反向測試等）
建立會議紀錄與議題追蹤清單，強化任務邏輯與流程觀
📌 AI 工具應用：
ChatGPT / Claude：生成 User Story、用戶情境模擬
Uizard / Figma AI：快速建立原型畫面與 Wireframe
Notion AI：整理任務、產出會議紀錄與需求清單
📌 備選學習：
學習基礎專案管理（甘特圖、排程、進度跟催）
練習回報 bug 與測試報告，建立與工程團隊語言
閱讀《Inspired》、《Lean UX》理解產品角色的多重任務
[course_plugin title='產品經理入門課程' keyword='PM產品經理｜入門致勝攻略：打造最強怪物新人的實戰課｜104獨家線上課' amount=1]
🟡 第二階段：中階 PM 成長（6～18 個月）
✅ 目標：獨立負責一個產品模組，深化市場洞察與優先排序邏輯，開始建立產品成果思維。
📌 學習內容：
【產品市場機會】：進行競品研究、定位圖、SWOT 分析
【使用者需求】：進階訪談技巧、使用者回饋整理、Cohort 分析
【提出解決方案】：撰寫完整 PRD、定義功能 MVP、排定開發優先順序（RICE、Kano）
【產品企劃框架】：建立產品 Roadmap，依驗證結果動態調整
專案協調與跨部門簡報報告
主持 Scrum、Sprint Review 等會議，培養團隊推進力
📌 AI 工具應用：
Miro AI：協助需求 Mapping、建立 Feature Map
Amplitude / Mixpanel + AI plugins：用於用戶行為與留存分析
Jira AI / Linear AI：協助排程與任務追蹤自動化
ChatGPT：產出會議簡報、功能拆解與優先順序建議
📌 備選學習：
與工程師深度對話 API 邏輯與限制（建立技術思維）
學習使用 A/B 測試平台與分析資料結果
與設計師協作，規劃 Usability Test 測試流程
[course_plugin title='資料分析相關課程' keyword='用AI+Google Sheet建立自動化工具，打造你的業績成長引擎｜104獨家' amount=1]
🔴 第三階段：資深 PM 精進（18～36 個月）
✅ 目標：制定產品策略與願景、帶領多模組團隊與跨部門合作，具備從數據到決策的整體能力。
📌 學習內容：
【產品企劃框架】：建立成果導向型 Roadmap，結合營運目標與客戶反饋
【有效提案法】：提案簡報、策略 Buy-in、利益關係人對齊溝通（尤其是非 PM 部門）
【提出解決方案】：設計產品 KPI（DAU、留存、LTV、NSM）
【產品驗證與迭代】：產品指標監控 → 分析迭代邏輯 → 反饋進 Roadmap
建立跨部門合作 SOP、主持策略規劃會議
設計產品願景，指導 Junior PM 並進行 Mentor / Review
📌 AI 工具應用：
Power BI / Looker Studio + GPT Plugin：產出決策儀表板、進行策略預測模擬
Notion AI：整理策略紀錄、文件管理、產品 Wiki 協作
ChatGPT / Claude：撰寫產品願景草案、跨部門溝通稿
Suno / Gamma AI：製作產品簡報、提案影片輔助
📌 備選學習：
學習產品組合管理（Product Portfolio）
熟悉商業模型設計與利潤預測（可使用 Business Model Canvas）
進階使用 AI 作為產品功能的一環（如設計 AI Prompt 功能、智能推薦引擎）
[course_plugin title='產品經理實戰課程' keyword='第7屆產品經理學習營' amount=2]
成為產品經理應具備的軟技能
產品經理的成功關鍵往往不在工具，而在於這些關鍵軟實力的「日常實踐力」：
溝通協調能力
與設計、工程、商業部門建立共識
化繁為簡、拆解問題並說服他人
優先排序與決策力
在時間與資源有限下做出取捨
擁有面對模糊需求時的清晰邏輯
系統性思考能力
看見整體產品架構與模組邏輯
能理解「做這件事對誰有價值？」
同理心與觀察力
從用戶視角出發洞察潛在問題
不被表層需求誤導
學習力與適應力
快速吸收新工具、新領域知識（如 AI、資料分析）
面對變動保持彈性與專業判斷
繼續閱讀 【產品經理 - 學習地圖(下)：職涯精進篇】
[joblist_plugin title='更多104【產品經理】工作機會' url='https://www.104.com.tw/jobs/search/?jobsource=index_s&keyword=產品經理&mode=s&page=1' amount='3']
延伸閱讀：
PM「產品經理」和「專案經理」差在哪？盤點工作內容及PM技能樹
PM工作內容做什麼？產品企劃／產品經理薪資待遇、履歷面試總整理｜精選工作機會
PM意思有不只3種可能！為何PM工作職缺只會愈來愈多？哪種PM最熱門？
轉職PM不撞牆！從0學會提案，產品經理學習營揭3大挑戰｜商業思維學院
【2026最新】AI產業人才認定指引3.0更新！5大能力評估、AI證照及學習資源、工作機會盤點
數發部2026年5月最新公布「AI產業人才認定指引3.0」，本次重要更新包括「AI治理素養」與「AI協作與開發」兩項能力，以及新增「推薦學習資源」幫助強化人才AI能力。本文帶你一次看懂AI三大人才類型、必備技能與證照資源推薦，並盤點AI人才職涯發展以及最常見的AI工作機會，幫助找到最適合自己的AI職涯起點。
※更新日期：2026/05/21
文／《104職場力》
本文目錄（點擊可快速前往）
你屬於哪種AI人才？研究、開發、應用3大類一次看想進入AI領域，5大能力你具備了嗎？AI能力如何認證和提升？新版推薦學習資源、證照整理AI人才職涯發展路徑圖及轉職跨領域建議AI產業人才常見職稱及104工作機會一覽投入AI領域3大建議：要具備哪些核心技術和軟實力？數發部「AI產業人才認定指引」電子書下載
2026.05更新：數發部2026年5月19日發布「AI 產業人才認定指引3.0」，兩項重要更新包括：1.因應2026年1月公布《人工智慧基本法》，新增「AI治理素養」能力，協助人才建立人工智慧應用風險的框架與意識；2.順應Vibe Coding與Agentic AI發展趨勢，新增「AI協作與開發」能力，強化人才與AI工具協作及開發的實務能力。並將指引從企業與求職者、培訓與認證機構參考的共通基準，進一步落實到產業工作場景。
想進入AI領域要做哪些準備？工作上如何認證自己的AI能力？為了協助國內人才掌握AI就業趨勢，數位發展部《AI產業人才認定指引》指出AI產業人才可分為研究、開發、應用3大類型，不論你是工程師、行銷人，還是剛準備跨領域轉職的上班族，都能在AI產業找到自己的角色！
指引中明確列出AI產業的人才分類、能力架構與專業認證方向，並提供職涯發展路徑及跨域建議。《104職場力》幫大家濃縮重點，整理懶人包，讓你一篇就看懂！
完整內容請參考數發部【AI產業人才認定指引】：因應AI技術與應用的快速變革，數發部指出，為了協助企業快速識別、應用與培育AI人才，並為個人職涯發展、培訓規劃及專業認證提供明確依據，特別制定本指引。並將隨著產業趨勢持續動態更新指引內容，強化AI人才標準與產業需求接軌。● 下載數發部《AI產業人才認定指引》（115年5月）>>● 數發部AI產業人才認定指引專區>>
延伸閱讀：搶攻12.1萬個AI工作！104運用AWS技術推「AI人才就緒計畫」目標首年培育逾3萬人
你屬於哪種AI人才？研究、開發、應用3大類一次看
根據指引定義，AI產業人才是指具備人工智慧相關知識、技能與能力，並在各行各業中，從事人工智慧相關之技術研究、開發、應用、管理，或使用AI工具於生產、服務或行政管理相關工作流程的從業人員。
指引依據產業應用現況和專家建議，將AI產業人才分為「AI應用人才」、「AI開發人才」、「AI研究人才」等3大類別：
AI研究：AI技術的源頭，從事AI基礎研究與發表論文。
AI開發：AI技術的實現者，負責訓練出新的AI模型或開發新的AI應用工具。
AI應用：AI應用的使用者，將AI應用於各行各業，使用AI工具提高生產力。
AI產業人才分為3大類：AI研究、AI開發、AI應用（資料來源／AI產業人才認定指引）
本文整理將聚焦於「AI開發人才」及「AI應用人才」的相關資訊，包括AI認證資源、AI人才常見職缺及最新工作機會，還有職涯發展路徑，提供有意求職轉職、或即將進入職場的新鮮人參考！
想進入AI領域，5大能力你具備了嗎？
依據產業現況，指引列出「AI開發人才」及「AI應用人才」所需的5大類核心能力。（詳細說明請見下表）
AI應用人才：要能使用現有AI工具，提升執行中工作的生產力、管理能力、行政效率、加速流程、縮短時效與產生企業價值的能力。所需的能力類型包括「AI應用素養」、「AI工具應用」及「AI協作與開發」能力，將其應用於行銷、製造、醫療、教育、法律、金融等不同領域。
AI開發人才：需具備數學、機率、電腦科學相關知識背景，其內涵不僅限於模型開發，更關注將AI技術落實於產品和服務，所需的能力包括「AI程式語言應用」、「AI模型訓練」與「AI服務開發」。
AI產業人才5大類能力類型、11細項
人才類別能力類型細項能力說明AI應用人才AI應用素養AI素養瞭解AI基本知識、道德倫理、應用及限制AI治理素養能瞭解AI衍生的AI系統、人機互動、社會衝擊等風險AI工具應用文書應用能用AI工具進行文字內容產生、修改、翻譯及整理圖文應用能用AI工具進行圖像內容產生、擷取與修改影像應用能用AI工具進行影像內容產生、擷取與修改音源應用能用AI工具進行音源內容產生、擷取、翻譯及整理自動化應用能使用AI代理或相關自動化工具，實現工作流程自動化AI程式語言應用AI協作與開發能以自然語言引導AI協作撰寫程式AI開發人才程式應用能使用AI輔助程式開發AI模型訓練AI模型訓練能用模型訓練和學習（如ML、RL）等工具、技術及方法，訓練AI模型AI服務開發NLP/LLM/CV工程能用NLP、LLM、CV工具，結合AI工作流或提出新服務
11項AI能力類型對應哪些工具應用？相關AI工具資源參考
能力類型參考工具AI素養台灣人工智慧學校、Meta AI、好好用AI素養計畫AI治理素養EU Artificial Intelligence Act、NIST AI RMF、ISO 42001、AI literacy frameworkAI文書應用ChatGPT、Copilot、Gemini、ClaudeAI圖文應用Midjourney、Canva、Adobe FireflyAI影像應用Runway、ideogramAI音源應用ElevenLabs、MURF AIAI自動化應用n8n、Zapier、Power AutomateAI協作與開發Lovable、Claude、n8nAI程式應用GitHub Copilot、CursorAI模型訓練TensorFlow、PyTorch、scikit-learn、Amazon SageMaker、Azure AI Foundry、Vertex AINLP/LLM/CV工程OpenAI、Hugging Face、OpenCV、MediaPipe
AI能力如何認證和提升？新版推薦學習資源、證照整理
清楚AI人才需要具備的關鍵能力後，想學習或提升相關AI能力，可以參考數位產業署官網提供的相關培訓課程及AI能力認證內容，並透過相關資源來強化自己的AI競爭力。
以下整理素養類、工具類及專案類3種AI認證資源。
（資料來源／AI產業人才認定指引）
AI產業能力認證參考：素養類
AI素養類認證主要為「建立AI基本認知與倫理觀念」，著重培養非技術背景者對AI的理解與應用概念，不要求實作能力或程式操作。相關認證包括：經濟部iPAS AI應用規劃師、資策會生成式AI能力認證、AIA的AI素養級認證等。
點擊「認證名稱」可查看更多認證資訊及歷屆試題資源：
國際AI素養認證名稱辦理單位AI-901:Azure AI FundamentalsMicrosoftAWS Certified AI PractitionerAWS
國內AI素養認證名稱辦理單位iPAS AI應用規劃師初級經濟部產業發展署AI 素養級認證台灣人工智慧學校AI 工程級認證：LLM 的行政任務應用台灣人工智慧學校生成式AI能力認證財團法人資訊工業策進會人工智慧工程素養認證財團法人資訊工業策進會AI+ 行銷科技專業人員財團法人資訊工業策進會TQC生成式AI應用與技術（實用／進階／專業）財團法人中華民國電腦技能基金會TQC人工智慧應用與技術（實用／進階／專業）財團法人中華民國電腦技能基金會EEC企業電子化人工智慧應用師財團法人中華民國電腦技能基金會
AI產業能力認證參考：工具類
AI工具類認證聚焦在「熟悉並應用AI工具完成任務」，要求能使用特定AI平台、工具或模型進行應用實作。常見任務例如影像生成、資料自動化分析、ChatGPT應用等，適合企業內部技能轉型或職能補強。
點擊「認證名稱」可查看更多認證資訊及歷屆試題資源：
國際AI工具應用認證名稱辦理單位NVIDIA Certified Associate: Multimodal Generative AINVIDIANVIDIA Certified Associate: Generative AI & LLMsNVIDIA
國內AI工具應用認證名稱辦理單位iPAS AI應用規劃師中級經濟部產業發展署生成式AI美術設計能力認證初級財團法人資訊工業策進會生成式AI美術設計能力認證中級財團法人資訊工業策進會生成式AI辦公室應用能力認證財團法人資訊工業策進會TQC+ GenAI 輔助資料擷取與分析 Python中華民國電腦技能基金會
AI產業能力認證參考：專案類
專案類認證聚焦在「具備完成AI專案的實戰能力」，對應如資料工程師、機器學習工程師等技術職務。用於評估技術人員是否具備立即上手企業AI任務的能力。包括：IBM AI Engineering Professional Certificate、AI-103: Azure AI Engineer Associate等。
點擊「認證名稱」可查看更多認證資訊及歷屆試題資源：
國際AI服務開發認證名稱辦理單位AWS Certified Generative AI Developer - ProfessionalAWSAI-103: Azure AI Engineer AssociateMicrosoft
國際AI模型訓練認證名稱辦理單位AWS Certified Machine Learning Engineer (Associate)AWSAWS Certified Machine Learning (Specialty)AWSIBM AI Engineering Professional CertificateIBMGoogle Cloud Professional Machine Learning EngineerGoogle Cloud
認證名稱辦理單位TQC＋人工智慧：機器學習財團法人中華民國電腦技能基金會
104學習－課程推薦：
AI資料科學家全方位學程（緯育）
AI醫學影像分析實作直播學程（緯育）
AI學習資源專區｜AWS免費課程系列，完課自動同步學習紀錄到履歷表！
更多認證及培訓課程資訊，可至數位產業署官網查詢參考最新附表：AI產業人才認定指引專區
AI人才職涯發展路徑圖及轉職跨領域建議
不同科技背景的人，想成為3大類AI人才，職涯路徑要怎麼走？《AI產業人才認定指引》提供一份「AI人才職類與發展路徑圖」，整理「理工相關科系」及「其他科系」發展成為3大類AI人才（AI應用／開發／研究）的可能路徑。
資料來源：數發部《AI產業人才認定指引》
1. 以「AI應用人才」為例：
適合非理工背景，包括來自商管、行銷、設計等，或具備跨領域行動力者，可以透過學習AI工具的使用及AI素養，將AI應用於自身專業領域。
職涯發展路徑：AI工具使用能力與素養→AI加值型／AI導入型→AI產品經理
→AI應用人才跨域指引：未來若想轉向開發，需補足軟體工程及演算法知識，可跨域至「軟／硬體工程師」路徑。
2. 以「AI開發人才」為例：
AI開發人才有2條主要的發展路徑：AI工程師、資料專業人員，共同負責AI系統的建構和資料驅動。
AI工程師路徑：軟／硬體工程師→AI工程師→AI技術主管／AIOps工程師。
→ 轉資料途徑：若軟／硬體工程師或AI工程師對資料品質、資料策略有興趣，可加強統計學和資料治理知識，跨域至「資料科學家」路徑。→ 轉管理途徑：AI工程師或技術主管若具備良好溝通與領導力，可轉向「AI產品經理」或更高階的技術管理職位。
資料專業路徑：資料分析師→資料科學家。
→ 轉工程師途徑：資料科學家補足軟硬體工程技術後，也可以轉向「AI工程師」途徑。
3. 以「AI研究人才」為例：
職涯發展路徑為：深入數學／統計、演算法研究→AI科學家／研究員→研發主管
→ 跨域指引：AI科學家／研究員的成果是應用源頭，若能理解市場需求，可將研究成果轉化為實際產品。可跨域與「AI專案產品管理」合作，或轉向至該路徑。
AI產業人才常見職稱及104工作機會一覽
AI應用人才常見職稱及專業技能
《AI產業人才認定指引》指出，目前AI應用人才的職稱命名仍具有彈性和過渡性，需要依照產業特性和職務內容來判斷。以下整理參考職稱、角色定位、專業技能及最新工作機會。
點擊職稱或工作機會，可查看職缺：
參考職稱角色定位工作機會既有職稱（行銷專員、行政助理、人資專員等）AI工具的高效終端使用者和應用者看職缺>AI應用規劃師AI導入顧問流程優化專員協助企業規劃導入AI的數位轉型流程看職缺>AI產品經理技術與業務的橋樑，推動AI專案執行看職缺>資料標註師連接原始數據與AI模型理解的橋樑看職缺>資料分析師轉譯數據為可執行的洞察，支援AI導入成效評估與商業優化決策看職缺>
1. 既有職稱（行銷專員、行政助理、人資專員等）
角色定位：AI工具的高效終端使用者和應用者
核心職責：於既有職務範圍內，透過熟練使用既有AI工具、應用程式或軟體，來提升個人工作效率、優化工作成果、輔助決策或拓展創意。
專業技能：核心專業仍是其原本的職務領域，此外對AI工具具備理解與判斷，熟悉多種AI工具的操作、Prompt編寫能力、生成式應用技巧。
工作機會：行銷專員、行政助理、人資專員、看更多應用AI工具職缺>
[joblist_plugin title='更多104【應用AI工具】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E5%B7%A5%E5%85%B7&order=15' amount='1']
2. AI應用規劃師／AI導入顧問／流程優化專員
角色定位：協助企業規劃導入AI的數位轉型流程
核心職責：建構AI導入藍圖、評估痛點與效益、推動變革管理、企業訪談、現況盤點、需求分析、技術評估與導入建議。
專業技能：商業策略思維、資料治理、AI趨勢與工具理解、跨域分析、商業架構、數位工具評估與推進能力。
工作機會：AI應用規劃師、AI導入顧問、流程優化專員、看更多AI應用規劃職缺>
[joblist_plugin title='更多104【AI應用規劃】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=ai%E6%87%89%E7%94%A8%E8%A6%8F%E5%8A%83&order=15' amount='1']
3. AI產品經理
角色定位：技術與業務的橋梁，推動AI專案執行
核心職責：
整合使用者需求與AI功能，設計應用情境與流程，與技術團隊協作落地應用。
負責規劃與管理以AI驅動產品或服務的設計、開發與市場導入，常需與技術、設計與業務單位密切合作。
專業技能：商業分析、AI應用理解、需求分析、技術溝通
工作機會：看更多AI產品經理職缺>
[joblist_plugin title='更多104【AI產品經理】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E7%94%A2%E5%93%81%E7%B6%93%E7%90%86&order=15' amount='1']
4. 資料標註師
角色定位：連接原始數據與AI模型理解的橋樑
核心職責：
根據專案要求和標註規範，對文本、圖像、音訊、影片等各類型原始數據進行清洗、標註與分類。
確保標註數據的準確性和一致性，作為AI模型訓練的基礎。
識別數據中的潛在問題（如偏見、不足），並進行反饋。
專業技能：專案基礎領域知識與數據理解、標註工具操作、重複性工作效率與抗壓性
工作機會：看更多AI標註職缺>
[joblist_plugin title='更多104【AI標註】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E6%A8%99%E8%A8%BB&order=15' amount='1']
5. 資料分析師（介於AI應用與AI開發之間）
角色定位：轉譯數據為可執行的洞察，支援AI導入成效評估與商業優化決策
核心職責：運用資料分析工具與統計方法，進行資料整理與清洗、探索性資料分析、視覺化報表製作、KPI指標追蹤、洞察報告撰寫、跨部門需求溝通、支援策略分析與AI導入績效評估。
專業技能：SQL、Excel、Tableau、Power BI、統計分析、Python/R（進階）、資料視覺化、問題拆解與商業邏輯思維
工作機會：看更多AI數據分析職缺>
[joblist_plugin title='更多104【AI數據分析】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=AI%E6%95%B8%E6%93%9A%E5%88%86%E6%9E%90&order=15' amount='1']
AI開發人才常見職稱及專業技能
AI開發人才常見職稱，在不同公司或組織也可能會有所差異。例如，「AI工程師（AI Engineer）」是最常見的職稱，泛指負責建構AI系統的人員。以下整理參考職稱、角色定位、專業技能及最新工作機會。
常見職稱角色定位工作機會自然語言處理（NLP）工程師專注於開發能夠理解和生成或人類語言的AI系統看職缺>大型語言模型（LLM）工程師專注於設計、開發與調校大型語言模型（LLM），使其能夠理解、生成並應用人類語言於各種場景中看職缺>電腦視覺（CV）工程師專注於開發能夠理解和分析圖像與影片的AI系統看職缺>機器學習（ML）工程師AI領域的核心角色，專注於設計、開發、訓練和部署機器學習模型看職缺>資料科學家擅長從巨量資料中提取有價值的洞察，並利用這些洞察為企業提供決策支持。看職缺>
1. 自然語言處理（NLP）工程師
角色定位：專注於開發能夠理解和生成或人類語言的AI系統。
核心職責：
運用NLP技術，實現文本分析、語言識別、機器翻譯、聊天機器人等功能。
廣泛應用於客服、輿情分析、內容生成等領域。主要工作在於使AI可以理解以及生成類人類的語言。
專業技能：
熟悉NLP相關演算法和技術（如詞向量、語言模型、transformer）。
熟練使用NLP函式庫（如NLTK、spaCy）。
具備深度學習框架的使用經驗。
大型語言模型 (LLM) 工程師
工作機會：看更多NLP相關職缺>
[joblist_plugin title='更多104【NLP】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=NLP&order=15&page=4&jobcat=2007000000' amount='1']
2. 大型語言模型 (LLM) 工程師
角色定位：專注於設計、開發與調校大型語言模型（LLM），使其能夠理解、生成並應用人類語言於各種場景中。
核心職責：
負責建置與優化語言模型架構（如Transformer），訓練與微調模型以符合特定應用需求，並解決模型生成偏誤、知識更新等問題。
應用範圍包含智慧客服、知識問答、語意理解、內容生成、程式輔助撰寫等，也需參與模型部署與效能評估。
專業技能：
熟悉自然語言處理技術與演算法（如詞嵌入、命名實體辨識、語意分析、知識蒐集）。
精通語言模型架構（如GPT、BERT、T5）與其訓練原理，熟練使用深度學習框架。
具備資料清洗、標註與語料管理能力，並能處理多語言或特定領域語料。
工作機會：看更多LLM相關職缺>
[joblist_plugin title='更多104【LLM】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=LLM&order=15&jobsource=blog&page=1&jobcat=2007000000' amount='1']
3. 電腦視覺（CV）工程師
角色定位：專注於開發能夠理解和分析圖像與影片的AI系統。
核心職責：
運用圖像處理和深度學習技術，實現圖像識別、物件檢測、影像分割等功能。
廣泛應用於自動駕駛、安全監控、醫療影像分析等領域。主要工作在於開發出讓電腦可以辨識圖像，以及影片的相關應用。
專業技能：
熟悉圖像處理和深度學習演算法。
熟練使用電腦視覺函式庫（如OpenCV）。
具備深度學習框架的使用經驗。
工作機會：看更多電腦視覺相關職缺>
[joblist_plugin title='更多104【電腦視覺】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=CV+%E9%9B%BB%E8%85%A6%E8%A6%96%E8%A6%BA&order=15&page=2&jobcat=2007000000' amount='1']
4. 機器學習（ML）工程師
角色定位：AI領域的核心角色，專注於設計、開發、訓練和部署機器學習模型。
核心職責：
研究各式機器學習演算法，並利用演算法解決商業問題。
透過大量數據處理與特徵工程，持續優化模型以提升性能。主要工作在於利用機器學習，使得AI應用可以達成預期的目標。
專業技能：
精通機器學習演算法（如監督式學習、非監督式學習、強化學習）。
熟練使用機器學習框架，具備資料處理和分析能力。
工作機會：看更多機器學習相關職缺>
[joblist_plugin title='更多104【機器學習】工作機會' url='https://www.104.com.tw/jobs/search/?keyword=%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92+ML&order=15&page=1&jobcat=2007000000' amount='1']
5. 資料科學家
角色定位：擅長從巨量資料中提取有價值的洞察，並利用這些洞察為企業提供決策支持。
核心職責：
運用統計分析、機器學習和資料可視化等技術，探索資料中的模式和趨勢。
需具備良好的商業理解能力，能夠將資料分析結果轉化為可執行的商業建議。主要工作在於分析資料，並且產出具有價值的資訊，輔助企業做出正確判斷。
專業技能：
精通統計分析和機器學習演算法。
熟練使用資料分析工具（如Python、SQL）。
具備資料視覺化和報告撰寫能力。
工作機會：看更多資料科學家職缺>
[joblist_plugin title='更多104【資料科學家】工作機會' url='https://www.104.com.tw/jobs/search/?order=15&page=1&jobcat=2007001021' amount='1']
投入AI領域3大建議：要具備哪些核心技術和軟實力？
對於有興趣投入AI領域發展的人，《AI產業人才認定指引》最後給出3個建議：1.根據個人興趣及專業背景選擇自己的AI職涯起點（參考AI人才職涯發展路徑圖），2.需具備核心技術基礎、3.培養關鍵軟實力和終身學習態度。
其中列出的4個核心技術基礎，對AI開發人才和AI研究人才來說是必備的；至於AI應用人才雖不要求具備開發能力，但若能對於基礎知識有一定了解，將能更有效運用AI工具，與技術團隊的溝通協作也會更順暢。
程式語言： 專精Python，並熟悉其在AI領域的函式庫（如NumPy, Pandas, Scikit-learn, TensorFlow/PyTorch）。
數學與統計：掌握線性代數、微積分、機率統計，是理解AI模型運作的基礎。
資料基礎：理解數據庫（SQL）、資料清洗、資料前處理、資料可視化等基本技能。
軟體工程：熟悉版本控制（Git）、基礎軟體開發流程。
而在軟實力方面，不論選擇哪種AI職涯都需具備以下能力：
解決問題能力：能分析問題、提出解決方案並有效執行
溝通協作能力：AI專案通常需跨部門協作，溝通要清晰有效
批判性思維與創新：不盲從、敢於質疑，並能提出創新想法
適應變化與終身學習：AI技術發展訊續，需保持好奇心，持續學習新知和新工具
專案實戰：透過參與開源專案、Kaggle競賽、校內外專案或實習，累積經驗並建立作品集
數發部「AI產業人才認定指引」電子書下載
本文由《104職場力》整理重點懶人包，完整內容請參考數發部《AI產業人才認定指引》：
【電子書下載】AI產業人才認定指引(115年5月)下載
（資料來源：數發部AI產業人才認定指引）
有任何收穫或想分享的，都來和大家一起聊聊吧！