製造、科技、物流
從工廠、品質、硬體、供應鏈到營運與倉儲。
GM815 生成式 AI 與智慧管理應用 · Week 01
36 筆課前回覆;以下只呈現彙總資訊,不展示公司、姓名、生日或個別職稱。
從工廠、品質、硬體、供應鏈到營運與倉儲。
從金融服務、工程管理到照護與行政流程。
不同組織的制度、客戶與工作限制也會不同。
本班多數學員已有 AI 工具使用經驗,因此課程不從基礎聊天操作開始。
已用 AI 做資料搜尋與資訊整理。
已用 AI 做文字、報告或提案撰寫。
曾用 AI 做工作流程自動化。
期待與痛點幾乎都指向:決策、流程、資料與可持續的工作方式。
期待 AI 輔助問題分析與管理決策。
期待 Agent 與工作自動化。
期待 Excel/數據分析;同樣有 23 筆期待報告/簡報。
| 最常遇到的困難 | 人數 |
|---|---|
| 不知道如何整合進既有工作流程 | 19 |
| 不知道如何問/擔心資料正確性與幻覺 | 17 / 17 |
| 不知道不同工作該選哪種工具/擔心機密個資資安 | 13 / 13 |
請優先與原本不熟悉,且產業、職能或 AI 使用方式不同的同學進行交流。
① 我現在主要負責什麼?
② 有哪一件工作每週反覆做?
③ 目前 AI 已協助到哪一個環節?仍有哪些限制?
找出一個跨產業皆可能出現的共同問題:資料、判斷、文件、交接或核准。
Finance × Software × AI;這也是本課程的主要設計視角。
金融工程、衍生品、量化交易、風險與金融資料。
軟體工程、系統設計、平台、基礎建設與可重現流程。
Machine Learning、Generative AI、LLM、Agent 與 AI-assisted development。
如何將 AI 從概念展示轉化為可使用、可管理且可交付的系統?
把知識、課程、研究與專案變成可結構化、可追蹤的平台。
領導/管理情境模擬:角色狀態、多輪對話、策略與評分。
地端 LLM、Coding Agent、RAG、Workflow;處理隱私、成本與控制權。
把內部規則、專業知識與即時資訊接到決策流程。
這門 EMBA 課程的價值,在於結合產業領域知識與系統化的 AI 設計方法。
產業規則、真實流程、例外、責任、客戶與組織限制。
AI 能力邊界、資料與工具架構、規格、測試、驗證與自動化方法。
Prompt 是重要介面,但能進入組織的工作方法必須可交付、可驗收且可重跑。
不只一句好答案,而是能交接的表格、文件、分析或草稿。
把「幫我處理」改成輸入、輸出、限制、例外與驗收條件。
把搜尋、計算、資料、權限、核准與失敗處理組成流程。
每個模組都留下下一階段可直接使用的成果。
| 階段 | 核心問題 | 累積成果 |
|---|---|---|
| M1 · W01–04 | 怎麼讓 AI 的輸出可用、可查、可控制? | 任務卡、規格、證據表、微型流程 |
| M2 · W05–08 | 資料如何支持管理判斷與表達? | 分析、管理備忘錄、決策簡報 |
| M3 · W10–15 | 如何把多步工作做成可重跑系統? | 原型、工具串接、測試、交接 |
| M4 · W16–18 | 什麼條件下組織才應該部署? | 治理、成本、風險與部署提案 |
參考:課程頁工作稿
專案題目自第一週開始累積,不延至期中才啟動。
參考:課程頁工作稿
20 筆免費版、15 筆付費版、1 筆尚未使用工具。
Input:資料與版本
Instruction:任務與限制
Output:可比較的成果
Check:誰驗證、如何修正
真實公司資料先確認可使用範圍;敏感資料不直接拿來做課堂示範。
不查閱資料;每題以一句理由說明當下判斷。