資訊考點新
線性規劃(2)
在專欄線性規劃(1)當中，我們化身為政治競選團隊，面對一場需要精密規劃的選舉：如何制定競選策略，才能確保選區內的每個區域，都能取得至少一半登記選民的支持？為了回答這個問題，我們將現實中的競選策略轉化為一個線性規劃問題，從決策變數的定義開始，逐步建立限制條件與目標函數，讓原本看似複雜的競選決策有了清晰的數學結構。最後，再透過演算法求解這個模型，找出在各項限制下最合適的策略，以順利贏得選舉。
透過上面描述的問題，我們知道當面對一個實際問題時，可以透過決策變數、限制條件與目標函數，把它整理成一個線性規劃問題。但如果今天遇到另一個不同的問題，我們又該如何判斷它是不是線性規劃呢？不同的問題雖然看起來差異很大，背後是否其實有著相同的數學結構？
- 考點
- #線性規劃
- #目標函數
- #限制條件
- #最佳解
- #單體演算法
敏捷開發（Agile）與傳統瀑布模型的衝突與融合：政府大型資訊專案的成敗關鍵
台灣政府資訊專案的開發，深受《政府採購法》及其子法規的規範。
依據採購法，資訊服務採購多採用公開招標或選擇性招標，強調事前詳細的規格書（RFP）與固定價金契約。
這一框架天然契合傳統瀑布式（Waterfall）開發模式，即系統開發生命週期（SDLC）的線性階段：需求分析、系統設計、程式開發、測試、上線維護，每一階段完成後才進入下一階段，強調完整文檔與事前規劃。
然而，這種模式在政府大型專案中暴露出嚴重痛點。
- 考點
- #傳統瀑布式開發（Waterfall）
- #敏捷開發（Agile / Scrum）
- #混合型開發模式（Hybrid）
- #系統開發生命週期（SDLC）
- #數位轉型與治理
開源模型與生成式AI安全性
將人工智慧整合進組織中各層級員工的日常工作流程—從高階管理者到第一線工作人員，可以提升多種任務的生產力，例如撰寫備忘錄、開發軟體以及製作行銷活動，不過其實企業對於與第三方AI服務共享資料所帶來的風險始終抱持著非常合理的疑慮，從2023年著名的「Samsung ChatGPT 洩密事件」中我們也可以略見一二其中的緣由。三星電子半導體部門(Device Solutions Division, 簡稱DS)一直是公司最重要的單位：因為他們手裡的是良率配方、製程參數、晶圓測試演算法，如果這些機密資訊外洩等於把幾十億美金研發成本送給競爭對手，由於部門存在如此高價值的資訊，三星很久以前就把ChatGPT等AI工具列入「禁用清單」，但是到了2023年3月底，三星DS部門做了一個以結果來看非常大膽的決定：
- 題測
- 1. 試從資料治理(Data Governance)與法律合規(Legal Compliance)兩個角度，分析企業在導入開源大型語言模型時所面臨的策略性風險，針對負責任AI授權(RAILs)的行為限制、訓練資料可能涉及的版權爭議與合理使用(Fair Use)的法律不確定性，企業應如何建構一套動態的資料管理評核機制，以在追求技術自主性的同時確保企業的法規韌性與社會信任？
第九集 - 數據分析實務階段
這一集，我們介紹數據分析之進行方式，下一集才開始針對各種分析技巧舉例說明如何利用AI協助進行◦實務上，數據分析可以分為六個核心步驟，我們簡稱A-P-D-C-E-R◦
第一步驟：定義問題（Ask / Define），這一步是非常關鍵的，問對問題比解決問題更為重要(Asking the right question is more important than solving it.)，決定了後續的整個數據分析任務之工作與方向。
數據分析師所面對的客戶往往會提出一個模糊的需求，分析師要將模糊的需求轉化為具體的問題，例如：「客戶希望想要提升業績」應該可以具體化為「如何提升用戶的30天回購率」。
- 考點
- #數據分析
