資訊考點新
演算法進階觀念：強連通單元
在演算法的經典問題裡面，有一個相當大的問題分支，叫做圖論（Graph Theory）。當我們在探討圖論時，核心目標是理解節點（vertex）與邊（edge）之間的關係與結構。圖可分為無向圖（undirected graph）與有向圖（directed graph），其中有向圖中的邊具有方向性，常用於描述單向的關係，例如網頁連結和流程控制。
在圖的分析中，一個重要的性質是「可達性」：若存在從節點 u 到節點 v 的路徑，我們稱 v 可由 u 到達。在無向圖中，若任意兩節點皆可互相到達，則該圖是連通的（connected）。對於有向圖，這一性質進一步擴展為強連通性（strong connectivity）。一張有向圖中，若某個節點集合 C⊆V 滿足：對任意 u,v∈C，皆存在從 u 到 v 及從 v 到 u 的有向路徑，則 C 稱為一個強連通單元（Strongly Connected Component, SCC）。整張圖可能會由多個不相交的 SCC 所組成。尋找 SCC 是分析圖結構、縮減複雜度、甚至進行高階邏輯推論（如 2-SAT 問題）的基礎。
- 考點
- #圖論
- #強連通單元
- #近似演算法
- #深度優先搜尋
- #深度優先追蹤
現代企業數位轉型藍圖與智能平台核心角色
2024 年，台灣知名軟體公司鼎新電腦宣布更名為「鼎新數智」，正式轉型為以數位與智慧驅動為核心的企業。這不僅是品牌重塑，更凸顯出現代企業必須擁抱數位轉型與智能平台策略，以因應市場變局與技術革新。數位轉型早已不是選擇題，而是企業持續成長與創新的必要條件。本文將從理論與實務角度，剖析現代企業在數位轉型與智能平台策略上的核心架構、實踐重點與挑戰，協助讀者掌握趨勢與關鍵觀念。
數位轉型不只是導入新科技或建置系統，它代表企業在商業模式、組織文化與營運流程上的根本性變革。其主要目標包括：1. 提升營運效率 2. 強化數據驅動決策 3. 創新商業模式 4. 優化客戶體驗。
- 考點
- #數位轉型
- #智能平台
- #資料治理
- #自動化
- #組織變革
第六集 - 數據清理的基本概念與技巧：處理缺失值、重複值、異常值等
數據清理（data cleaning）之基本概念：對數據進行審查、校驗與修正的過程，主要目的是刪除重複訊息、糾正錯誤（如不一致或不準確的數據）、處理缺失值、無效值及異常值，進而提升數據之品質。
正所謂：「garbage in，garbage out」，在數據科學領域中，當輸入的數據品質低劣（如：錯誤、雜亂），無論後續處理過程多麼嚴謹，輸出的結果仍將是不可靠的。
進行數據分析之前，應該要先通過數據清理，確保後續分析或模型建構的準確性，這是數據預處理（data preprocessing）的關鍵步驟。
- 考點
- #數據清理
- #數據集
人工智慧時代下的風險
隨著人工智慧技術的迅速發展與廣泛應用，AI逐漸成為現代社會中不可或缺的一環，相關AI應用亦深入至教育、醫療、金融、娛樂等各大領域。其中生成式AI尤其備受關注，透過文字、圖像、音樂甚至程式碼的自動生成，帶來前所未有的便利與創意可能性。然而資訊科技所帶來的便利性背後也伴隨著日益嚴峻的風險與挑戰。
AI系統本身可能產生偏見與錯誤資訊，進而對社會輿論、政治決策乃至公共安全造成影響，除此之外，隱私洩露、深偽技術(Deepfake)、假新聞自動生成等問題，也逐漸暴露出AI發展在道德、法律與安全層面的脆弱性。
- 題測
- According to the PwC Global Artificial Intelligence Study, AI is expected to contribute up to USD 15.7 trillion to the global economy by 2030. However, as AI systems become increasingly widespread, organizations face a range of risks when adopting them-including data bias, security vulnerabilities, and lack of transparency in decision-making. In high-stakes sectors such as finance, healthcare, and judiciary, AI risk management has become a critical aspect of corporate governance.
-
- Describe three major types of risks that organizations may encounter when deploying AI systems. Provide examples of how these risks could have real-world impacts on an organization. You may consider perspectives such as technical, legal, and ethical risks. (16 points)
- Analyze how organizations can develop an AI risk management framework to mitigate the risks mentioned above. Propose at least three concrete strategies or tools and explain their purposes and key implementation considerations. (16 points)
