跳到主要內容
NTPU AI Learn

AI101L · 模組 2

從單次任務到可重複的 AI Use Case

設計 Human–AI–Human 工作流程、學會驗證與資料界線，並把單次任務發展成正式 Use Case。

開始第一節
  • 時長180 分鐘
  • 難度應用
  • 先備知識建議先完成 AI 101L Module 1
已完成 0 / 5
同步我的進度加入梯次後，進度可跨裝置保存，講師也能看到

資訊

加入後，你已完成的模組編號會連同「學員代碼」傳送給講師，講師可以看到你的進度。請使用講師提供的代碼，不要輸入姓名、公司機密或其他個資。進度資料與該梯次的其他資料一起保存。

學習目標

  • 設計標記 Human / AI / Tool 的 Human–AI–Human 工作流程
  • 用 Accuracy、Completeness、Source、Sensitivity、Consequence 五個問題驗證 AI 輸出
  • 把資訊分類為 Public / Internal / Confidential / Personal / Restricted，並判斷可否提供給 AI
  • 用頻率、效益、風險等問題判斷單次任務是否值得發展成正式 Use Case
  • 完成一份 AI Workforce Use Case Canvas

Human–AI–Human 工作流程

35 分鐘

Human–AI–Human 工作流程

學習目標：設計標記 Human / AI / Tool 的 Human–AI–Human 工作流程，並為每一步定義驗證與升級方式。

Module 1 練習了單一任務的 Context 與執行。Module 2 從「單一任務」擴展到「一套流程」：把多個步驟串起來，每一步都清楚標記由誰執行、做什麼、如何驗證。

工作流程步驟的五個欄位
欄位意思
Input這一步的輸入是什麼
Action這一步實際做什麼
Output這一步產出什麼
Verification如何確認這一步做對了
Escalation什麼情況要往上呈報或暫停

只標「AI 處理」

「AI 處理會議紀錄」：不知道誰負責檢查、什麼時候該停下來。

完整的工作流程

步驟 1（Human）
上傳已核准的會議紀錄
步驟 2（AI）
抽取待辦事項
步驟 3（AI）
格式化成追蹤表
步驟 4（Human）
確認負責人與截止日
步驟 5（Tool）
更新追蹤表
步驟 6（Human）
核准發布

資訊

AI 101L 只教「Human / AI / Tool」三種角色的基本標記；分解、循序 / 平行 / 路由、決策點、agent loop 等更深入的工作流程設計由 AI 104 介紹。
自我檢測

在「AI 格式化追蹤表 → 人工確認負責人與截止日 → 工具更新追蹤表」這個流程中，哪一步最能攔下錯誤？

在「AI 格式化追蹤表 → 人工確認負責人與截止日 → 工具更新追蹤表」這個流程中，哪一步最能攔下錯誤？

重點: 一套可信的工作流程，每一步都清楚標記執行者與驗證方式，而不是把「AI 處理」當成一整個黑盒子。

驗證與失敗模式

35 分鐘

驗證與失敗模式

學習目標：用 Accuracy、Completeness、Source、Sensitivity、Consequence 五個問題驗證 AI 輸出，並定義誰檢查、何時停止、何時升級。

五個驗證問題
問題在檢查什麼
Accuracy（正確性）內容是否符合事實、有沒有臆造的細節
Completeness（完整性）有沒有遺漏重要項目
Source（來源）結論能不能追溯回原始資料
Sensitivity（敏感度）內容是否涉及機密或個人資料
Consequence（後果）如果這裡錯了，會造成什麼影響
  • 先定義「檢查什麼」：哪些欄位、哪些主張最容易出錯？
  • 再定義「怎麼檢查」：逐項比對原文，還是抽樣檢查？
  • 定義「誰檢查」：任務負責人，還是需要更資深的人核准？
  • 定義「何時停止」：檢查到什麼程度算完成？
  • 定義「何時升級」：發現什麼情況要暫停並回報，而不是自己決定繼續？

注意

同樣的流程步驟，後果嚴重程度不同，驗證強度也應該不同。只給部門內部參考的整理，跟會影響對外承諾或財務決策的整理，不能用同一套寬鬆標準。
自我檢測

兩份「整理內部意見」的工作，一份只放在部門群組參考，另一份會用來調整薪酬制度。下列說法何者正確？

兩份「整理內部意見」的工作，一份只放在部門群組參考，另一份會用來調整薪酬制度。下列說法何者正確？

重點: 驗證不是「有沒有做」的問題，而是「做到什麼程度」；後果越嚴重，驗證與人工把關就要越嚴謹。

資料界線與負責任使用

30 分鐘

資料界線與負責任使用

學習目標：把資訊分類為 Public / Internal / Confidential / Personal / Restricted，並判斷哪些內容不應該提供給 AI。

五種資訊分類
分類範例
Public（公開）已公開發布的資訊，例如官網公告
Internal（內部）僅供內部使用，尚未對外公開的一般資訊
Confidential（機密）策略、合約條款、未公開的財務數字
Personal（個人資料）姓名、聯絡方式、身分證字號等可識別個人的資訊
Restricted（限制存取）僅特定人員可存取的高度敏感資訊

注意

核心原則：不要把密碼、API 金鑰、個人資料、客戶機密或未經授權的敏感資訊貼到 AI 工具。這個原則不綁定任何特定廠商或工具，適用於所有 AI 協作情境。
  • 提供資料給 AI 前，先問：這屬於哪一個分類？
  • Confidential、Personal、Restricted 的內容，除非任務明確需要且已獲授權，否則不提供
  • 無法確定分類時，先當作較敏感的等級處理，並向資料擁有者確認
  • 需要用到敏感資料時，優先考慮去識別化、以代碼取代，或改用摘要描述
自我檢測

你要請 AI 協助分析員工滿意度調查，原始資料包含員工姓名與部門。下列哪一種做法最符合資料界線原則？

你要請 AI 協助分析員工滿意度調查，原始資料包含員工姓名與部門。下列哪一種做法最符合資料界線原則？

重點: 先分類、再判斷能不能用；資料界線是每一次準備 Context 都要重新確認的習慣，不是一次性的規則。

從任務到 Use Case

30 分鐘

從任務到 Use Case

學習目標：用頻率、效益、風險等問題，判斷一次性任務是否值得發展成可重複的正式 Use Case。

完成一次任務，不代表它就是一個好的 Use Case。要從「做過一次」走到「值得重複做」，需要更完整的判斷。

從任務到 Use Case 的判斷問題
問題在確認什麼
多常發生？頻率是否足以值得投資
目前花費多少時間？現況的成本基準
目前的痛點是什麼？真正要解決的問題
預期效益是什麼？改善後大概能省下或提升什麼
需要哪些資料？Context 是否穩定可取得
如何驗證？有沒有辦法確認結果是對的
出錯的後果是什麼？風險等級與所需的把關程度
誰是負責人？誰要為這個 Use Case 的品質負責
下一步實驗是什麼？要怎麼用小範圍測試來驗證可行性

資訊

這是個人工作視角：我自己的工作哪裡可以用 AI？部門或組織層級「哪些問題值得成為正式 AI Use Case」的判斷，由 AD 101 進一步展開。
自我檢測

下列哪一項工作最適合被列為「值得發展成 Use Case」的候選？

下列哪一項工作最適合被列為「值得發展成 Use Case」的候選？

重點: 一次做得順手，不等於值得重複投資；要用頻率、效益、驗證方式與風險一起判斷。

Independent Use Case Sprint

50 分鐘

Independent Use Case Sprint

學習目標：獨立完成一份 AI Workforce Use Case Canvas，把 Module 1 與 Module 2 所學整合成一份完整產出。

資訊

這是個人獨立作業時段，教師從旁協助，不做自動的商業價值判斷。你的任務是把自己真正會遇到的工作，完整地寫成一份 Use Case。
  1. 選定真實工作任務
    選一項你自己工作中，真正想用 AI 協助的任務。
  2. 填寫工作任務與基準
    寫清楚部門、任務、觸發時機、目前流程、頻率、時間與痛點。
  3. 填寫 Context 與 AI 協助方式
    列出需要的資料、敏感度，以及希望 AI 協助的部分與預期輸出。
  4. 設計工作流程
    寫出至少三個標記執行者的工作流程步驟。
  5. 填寫驗證與風險
    寫出審查者、審查方式、出錯後果與風險考量。
  6. 寫下課堂實驗與重點反思
    記錄這堂課實際嘗試了什麼，以及哪一步最適合 / 最不適合交給 AI。
  7. 填寫後續規劃
    寫下適合的部門訪談主題，以及建議的下一門課。

完成

完成 Use Case Canvas 後，記得填寫 Exit Ticket，記錄今天最重要的學習與仍不確定的地方。這份 Use Case 會成為後續部門訪談與 AI 導入討論的起點。

重點: 一份完整的 Use Case Canvas，是把「會用 AI」轉成「能把 AI 用進真實工作」最具體的證明。

另存 PDF

接下來做什麼？