114 年 國立臺北大學資訊管理學系碩士班《管理資訊系統》

本題主要探討電子商務平台的產業競爭分析以及管理資訊系統在其中的應用。

(1) PChome 的主要競爭與管理資訊系統的改進建議

• 產業競爭分析 (Porter's Five Forces)：

  • 現有競爭者的威脅 (Threat of Rivalry)：PChome 面臨來自國內外眾多電商平台的激烈競爭，包括蝦皮 (Shopee)、momo 購物網、Yahoo 奇摩購物中心，以及近年來快速崛起的跨境電商（如淘寶、天貓、Amazon 等）。這些競爭者在價格、商品種類、物流速度、行銷手法等方面不斷推陳出新，對 PChome 構成嚴峻挑戰。
  • 新進入者的威脅 (Threat of New Entrants)：雖然電商平台進入門檻相對較低，但要建立品牌知名度、物流網絡和龐大用戶群仍有一定難度。然而，若有資金雄厚的新創公司或原有零售業者轉型進入，仍可能對 PChome 造成壓力。
  • 替代品的威脅 (Threat of Substitute Products or Services)：除了傳統電商平台，實體零售店、社交電商（透過社群媒體進行銷售）、直播帶貨等都是潛在的替代品。消費者購物習慣的多元化也增加了替代品的威脅。
  • 買方議價能力 (Bargaining Power of Buyers)：消費者擁有豐富的資訊，可以輕易比較不同平台和賣家的價格、商品、服務。價格敏感度高的消費者議價能力較強。
  • 供應商議價能力 (Bargaining Power of Suppliers)：對於 PChome 而言，供應商（品牌商、製造商、經銷商）的議價能力取決於其品牌影響力、獨特性及對 PChome 平台的依賴程度。若供應商掌握獨家或熱門商品，其議價能力會相對較高。

• 管理資訊系統的改進建議：

  • 客戶關係管理 (CRM) 系統加強：
    • 個人化推薦引擎升級：利用大數據分析消費者行為、購買歷史、瀏覽紀錄，提供更精準、個人化的商品推薦，提升轉換率。
    • 會員忠誠度計畫優化：設計更具吸引力的積分、優惠券、VIP 等級制度，鼓勵重複購買，留住高價值客戶。
    • 全通路整合 (Omnichannel)：打通線上線下數據，提供線上線下同步的購物體驗，例如線上下單線下取貨、實體店預約試穿等。
  • 供應鏈管理 (SCM) 系統強化：
    • 庫存管理與預測優化：導入 AI 預測技術，更精準地預測商品需求，降低庫存積壓或缺貨風險，優化倉儲效率。
    • 物流配送效率提升：與物流夥伴深化合作，導入智慧物流系統，優化配送路線、即時追蹤貨物，縮短配送時間，提升客戶滿意度。
    • 供應商協同平台：建立更緊密的供應商協同平台，實現庫存資訊共享、訂單自動化處理，提高供應鏈的彈性和反應速度。
  • 營運管理系統 (OMS) 與數據分析平台：
    • 數據驅動決策：建立強大的數據分析平台，整合銷售、行銷、營運、客戶等各方面數據，進行深入分析，找出營運瓶頸與成長機會。
    • 詐欺偵測與風險管理：利用機器學習技術，偵測異常交易行為，防範詐欺，保障平台與用戶安全。
    • 自動化營運流程：透過 RPA (Robotic Process Automation) 或其他自動化工具，簡化重複性高的營運流程，提高效率，降低人力成本。

核心觀念

本題評量考生對生成式人工智慧（Generative AI, GenAI）之底層技術架構及其在管理資訊系統（MIS）企業應用與治理實務中的掌握程度。涉及之核心理論與技術概念包括：

1. 生成式 AI 的運作機制：從辨別式模型（Discriminative Model，估計 $P(Y \mid X)$）走向生成式模型（Generative Model，估計聯合機率 $P(X, Y)$ 或條件序列機率 $P(w_t \mid w_1, \dots, w_{t-1})$）。其核心為自注意力機制（Self-Attention Mechanism）、Transformer 架構以及自回歸序列生成（Autoregressive Generation）。
2. GenAI 爆發之驅動要素：海量無標註數據（Big Data）、強大平行算力（GPU/TPU 等硬體演進）、模型架構突破（Transformer 取代 RNN/LSTM）與非監督／自監督預訓練（Self-Supervised Pre-training）搭配對齊技術（RLHF）。
3. AI 幻覺（Hallucination）成因：機率自回歸採樣特性、知識截止（Knowledge Cutoff）、訓練資料偏差／噪訊、預訓練缺乏明確真實性目標（Optimizing for Likelihood vs. Truthfulness）。
4. 企業 MIS 導入防範架構：檢索增強生成（RAG）、微調（Fine-Tuning）、提示工程（Prompt Engineering / Few-Shot / CoT）、人機協同審核（Human-in-the-Loop, HITL）與護欄系統（Guardrails）。

---

解題方法

本題為標準的觀念與實務應用整合論述題，採「技術原理 $\to$ 歷史躍進成因 $\to$ 缺點成因 $\to$ MIS 落地對策」之四段式論證：

• 子題 (1)：先從機率論與深度學習架構界定原理，接著從「資料、算力、演算法、對齊技術」四大支柱剖析為何生成式 AI 於近期突破。
• 子題 (2)：先剖析幻覺之內在機率機制與外在資料成因；再由 MIS 系統架構層（Data、Model、System/Application、Governance）提出全生命週期的解法，強調檢索增強生成（RAG）與企業知識庫之整合。

---

詳細解析

(1) 生成式 AI 的原理，以及「以往很少提及、如今能生成」之主因

1. 生成式 AI 的底層原理

• 機率分佈建模與自回歸生成：傳統判別模型旨在尋求分類邊界；生成式 AI（如大型語言模型 LLM）旨在學習資料集中的機率分佈。以文本生成為例，模型將語言塑造成條件機率問題，透過前文字詞（Tokens）預測下一個最可能的字詞：
  $P(w_1, w_2, \dots, w_T) = \prod_{t=1}^T P(w_t \mid w_1, w_2, \dots, w_{t-1})$
• Transformer 架構與注意力機制（Self-Attention）：捨棄傳統遞歸神經網路（RNN）的循序計算，透過注意力矩陣計算序列中所有字詞之間的相互關聯度：
  $\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$
  能有效捕捉長距離依賴關係（Long-term Dependencies），建立豐富的語意表示空間。
• 預訓練與微調範式（Pre-train & Fine-tune）：模型先在海量通用語料庫中透過「填空（Masked LM）」或「預測下一字（Causal LM）」掌握語言結構與世界知識；隨後藉由指令微調（Instruction Tuning）與人類回饋強化學習（RLHF），對齊（Align）人類意圖。

2. 過去難以實現、現今實現突破的關鍵因素

• 模型架構的革新（演算法突破）：在 Transformer（2017）問世前，RNN 與 LSTM 存在平行運算困難與梯度消失問題，無法擴展至數千億參數。Transformer 實現了高度平行化訓練。
• 規模法則（Scaling Laws）的湧現能力（Emergent Abilities）：當模型參數規模（Parameters）、資料量（Dataset Size）與計算量（Compute）突破臨界閥值（如千億級參數）時，模型展現出上下文學習（In-Context Learning）、複雜推理、程式碼生成等先前小模型未曾展現的高階智能。
• 算力基礎設施的飛躍：高效能運算集群（如 NVIDIA Tensor Core GPU、專用 AI 晶片）及分散式訓練框架的成熟，使訓練萬億級 Token 成為經濟與技術上的可能。
• 海量高品質數位資料的累積：網際網路三十年間累積之數位文字、代碼與多媒體資源，為自監督學習提供了取之不盡的通用訓練語料。

---

(2) AI 幻覺形成原因，以及企業 MIS 導入時之防範機制

1. AI 幻覺（Hallucination）的形成原因

• 機率生成而非事實檢索：LLM 本質是「下一個詞的機率預測器（Stochastic Parrot）」，優化目標為最大化序列的機率流暢性，而非驗證邏輯真實性；流暢的語法常掩蓋錯誤的事實。

核心觀念
本題測試考生對「能動式 AI (agentic AI)」的概念、企業價值、系統架構與效能評估方法的全面理解。回答時需先說明為何企業需要能動式 AI，然後給出正式定義，接著描述典型的多層次架構與關鍵模組，最後說明可量化的評估指標與實務測試方式。

---

(a) 為何能動式 AI 對企業重要？

1. 提升自動化與適應性
   能動式 AI 不僅能執行固定指令，還具備感知環境、決策、執行與學習的閉環能力，讓企業流程能在變動的市場或作業條件下即時調整，降低人為介入成本。
2. 支援複雜任務協同
   企業內部常涉及跨部門、跨系統的工作（如供應鏈管理、客服自動化）。能動式 AI 可作為「智能代理」在不同子系統間協調訊息、分配資源，提升整體協同效率。
3. 加速資訊洞見產出
   透過持續的資料蒐集與即時分析，能動式 AI 能在短時間內產出決策建議或預測結果，縮短決策循環，提升競爭力。
4. 降低風險與合規成本
   在風險管理、合規監控等領域，能動式 AI 可自動偵測異常、觸發防護機制，減少人為疏失與罰款風險。

【答案】能動式 AI 透過感知、決策、執行與自我學習的閉環機制，提升企業自動化、跨系統協同、資訊洞見速度與風險管理效率，因而對企業極為重要。

---

(b) 能動式 AI 的定義

Agentic AI（能動式人工智慧）是指具備 感知 (Perception)、推理 (Reasoning)、行動 (Action) 與自我調整 (Self‑learning) 四大功能的智慧代理系統，能在不事先全程指定指令的情況下，根據環境變化主動產生目標、制定計畫、執行操作並在執行後根據結果更新模型。

形式化可寫成四元組：

$$\mathcal{A} = \langle \mathcal{P}, \mathcal{R}, \mathcal{E}, \mathcal{L} \rangle$$

• $\mathcal{P}$：感知模組，將外部訊號 $s_t$ 轉為內部表徵 $o_t$。
• $\mathcal{R}$：推理模組，根據 $o_t$ 產生策略 $\pi_t$。
• $\mathcal{E}$：執行模組，將 $\pi_t$ 轉為具體行動 $a_t$。
• $\mathcal{L}$：自我學習模組，根據回饋 $r_t$ 更新 $\mathcal{P}$、$\mathcal{R}$、$\mathcal{E}$。

【答案】能動式 AI 是具備感知、推理、行動與自我學習能力的智慧代理，能在動態環境中自主設定目標、制定計畫、執行並持續優化。

---

(c) 典型架構與關鍵模組

階層	功能說明	主要模組
感知層	收集與前處理原始資料（文字、影像、感測器、企業 ERP / CRM 等）	Data Ingestion、Feature Extraction、Embedding Service
認知層	進行意圖解析、情境推理與策略生成	Large Language Model (LLM) / Knowledge Graph、Task Planner、Policy Network
執行層	把策略映射成具體操作（API 呼叫、機器指令、文件產出）	Action Dispatcher、Tool Integrations (RPA、API Gateway)

核心觀念
本題測驗的是「管理資訊系統（MIS）如何支援企業在數位轉型下提升環境、社會與治理（ESG）表現」，重點在於說明 MIS 的資訊流、決策支援與自動化功能，如何轉化為可量化的 ESG 成效與商業價值。

---

解題步驟與說明

1. 辨識 MIS 在 ESG 流程中的角色

   • 資料收集與整合：MIS 能自動從感測器、企業資源規劃（ERP）系統、供應鏈管理（SCM）平台等取得環境排放、能源使用、勞動關係等 ESG 原始資料。
   • 資料清洗與標準化：使用資料倉儲（Data Warehouse）或資料湖（Data Lake）將不同來源、不同格式的 ESG 資料統一成 ISO‑14001、GRI、SASB 等國際標準。
   • 分析與視覺化：透過商業智慧（BI）與資料分析模組，把 ESG 指標轉換成儀表板（Dashboard）與即時警示（Alert），支援管理層快速掌握 ESG 風險與機會。
   • 決策支援與流程自動化：MIS 結合工作流程管理（Workflow）與決策支援系統（DSS），將 ESG 成果自動回饋至營運、採購、產品設計等關鍵流程，形成閉環改進。

2. 說明 MIS 帶來的具體 ESG 成效

   • 環境（E）

     • 能源管理：MIS 透過即時電表與 IoT 感測器收集能耗資料，加入 $E=\sum_{i=1}^{n}{P_i \times t_i}$（$P_i$ 為第 $i$ 時段功率，$t_i$ 為持續時間）計算公式，生成能效指標（kWh/產出）。
     • 減碳目標追蹤：將碳排放量 $CO_2$ 以 $CO_2 = \alpha \times Energy$（$\alpha$ 為排放係數）映射至 KPI，若實際值低於目標值 $CO_{2,goal}$，系統自動發送獎勵或調整產線。

   • 社會（S）

     • 員工健康與安全：MIS 整合職安監測系統，計算事故率 $AR=\frac{Number\ of\ incidents}{Total\ work\ hours}\times10^6$，在儀表板上顯示趨勢；若指標上升，觸發安全培訓工作流。
     • 多樣性與包容：透過 HR MIS 收集員工性別、年齡、職等分布，計算多樣性指數 $DI=\frac{\sum_{k}p_k^2}{K}$（$p_k$ 為第 $k$ 類別比例，$K$ 為類別數），將結果與 ESG 報告對照，提升投資者信任。

   • 治理（G）

     • 合規與風險管理：MIS 連結法務與內稽系統，將合規違規次數、罰款金額自動匯入治理指標；透過 KPI $CR=\frac{Compliance\ incidents}{Total\ processes}$ 監控。

核心觀念
本題旨在衡量考生對資訊系統專案管理兩大主流方法論──**Agile（敏捷）與Waterfall（瀑布）**的概念、適用情境以及對專案成功與企業目標契合度的理解與比較能力。

---

(a) Agile 與 Waterfall 方法論的比較與對照

項目	Waterfall（瀑布式）	Agile（敏捷式）
流程結構	線性、階段性：需求 → 設計 → 開發 → 測試 → 部署 → 維護。每階段完成後才能進入下一階段，階段間通常不返回。	迭代、增量：將專案切分為多個 Sprint（迭代），每個 Sprint 包含需求、設計、開發、測試、交付的完整循環。
需求變更	變更成本高，需回溯至前階段，通常在需求凍結後才允許變更。	允許在每個 Sprint 結束後重新評估與調整需求，變更成本相對較低。
客戶參與	客戶在需求規劃階段投入較多，之後主要以交付結果為主，少有持續互動。	客戶或業務代表（Product Owner）每個 Sprint 都參與需求排序（Backlog Grooming）與評審（Sprint Review），持續提供回饋。
交付節奏	最終交付一次（全部功能一次性上線），中期無可執行的可交付成果。	每個 Sprint 產出可運作的增量功能，早期即可取得可用系統。
風險管理	風險集中在後期測試階段，若需求不完整或設計缺陷，在後期才顯現，修正成本極高。	風險分散於每個 Sprint，早期可發現問題並即時調整。
文件與流程	強調完整的文件（需求規格書、設計說明書等），流程固定。	文件較精簡（User Stories、Definition of Done），重視「面對面」溝通與自組織團隊。
適用專案規模	中大型、需求相對固定且可明確界定的專案。	小至中大型、需求變化快速且需快速回應市場的專案。

---

(b) 各方法最適合的情境

情境	Waterfall 適用	Agile 適用
需求穩定、明確	● 法規、政府資訊系統<br>● 大型 ERP、核心金融系統（變更成本極高）	△ 需求已初步確認，但仍可能微調的內部工具
時間窗口固定	● 必須在特定日期完成的建設專案（如政府上線期限）	● 市場快速變動，需要每兩週或每月釋出新功能的 SaaS 產品
資源與團隊固定	● 團隊成員長期固定、開發流程成熟、嚴格的 QA 與審核程序	● 團隊自組織、跨功能（開發、測試、業務）且能靈活調整人力