資訊考點新
從聊天機器人到「代理式人工智慧(Agentic AI)」:企業資訊架構的自動化革命與挑戰
在過去的兩三年裡,生成式人工智慧(Generative AI)以迅雷不及掩耳之勢席捲全球企業。從最初令人驚豔的文字摘要、程式碼生成,到企業內部部署的各種知識庫問答機器人(Chatbots),多數組織對於 AI 的應用多半停留在「單兵作戰」的模式——人類提出問題,AI 給予解答;或者人類給予指令,AI 產出初稿。這種互動本質上仍是以「人」為中心的被動式工具調用。然而,隨著基礎模型(Foundation Models)的推理能力與邏輯規劃(Planning)能力呈指數級躍升,人工智慧的浪潮正從「對話式 AI(Conversational AI)」跨入全新的「多智能體系統(Multi-Agent Systems, MAS)」或稱「代理式 AI(Agentic AI)」時代。
- 考點
- #多智能體系統
- #Multi-Agent Systems
- #MAS
- #Agentic AI
- #企業資訊架構
- #AI 成本最佳化
- #AI FinOps
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





