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
線性規劃(3)
在上一篇專欄《線性規劃(2)》中，我們將線性規劃從具體的應用問題抽象成一般的數學形式，並詳細介紹了目標函數、限制條件、可行解與最佳解等基本概念。然而建立數學模型只是解決問題的第一步，真正的挑戰在於如何有效率地找到最佳解。
本篇將介紹單體演算法（simplex algorithm），從最直觀的幾何觀點出發，先觀察雙變數線性規劃中的可行區域與目標函數，再說明為什麼最佳解通常會出現在可行區域的頂點。最後，我們會將這個幾何直覺推廣到更高維度，並理解單體演算法如何利用頂點之間的移動來尋找最佳解。那我們就廢話不多說，直接透過一個雙變數線性規劃的例子來搞清楚單體演算法是怎麼求得最佳解的吧！
- 考點
- #雙變數線性規劃
- #單體演算法
- #目標函數等值線
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
