Name: 批發 MLOps 部署： 低程式碼 AI 建模與智慧營運決策實戰
Start: 2026-09-14T09:30:00+08:00
End: 2026-09-22T17:00:00+08:00
Location: 台中文心305會議室

上課日期：115 年 9 月 14日(一)、15 日(二)、21日(一)、22日(二)，09:30~17:00，共 30 小時

上課地點：台中文心305會議室 + 線上直播（課程前 1 天發送連結通知）

課程費用：課程學費由政府補助，經遴選資格通過者免費。

參訓資格：(1)批發業營運管理/資訊軟體相關人才

(2)從事服務業之在職人士，凡對本議題具有興趣者

招生人數：預計招生 80 人

報名方式：線上報名（遴選結果由辦課單位統一發信通知）。

課程型態：混成，計 30 小時（含線上自學 4 小時）。

【計畫介紹】

本課程以零售、批發、餐飲、物流倉儲及生活服務等服務業次產業為推動對象，盤點產業共通營運痛點，設計 AI 應用情境與培訓課程，協助業者由理解 AI 進階至實際應用，培育服務業 AI 應用人才，提升產業數位化與智慧化發展能力。

【課程介紹】

本課程以批發業為應用場域，聚焦資料分析、低程式碼機器學習與 MLOps 部署，協助學員從「能快速建模」進一步走向「可穩定上線、可監控、可擴充」的完整流程，回應品項眾多、庫存與補貨波動、通路與客戶層級複雜、價格與促銷決策需快速回應等營運挑戰。

課程將帶領學員理解批發業資料如何支援需求預測、庫存補貨、客戶分群、銷售異常偵測、價格與促銷分析，並納入 PyCaret 之 No Code／Low Code 思維，示範如何以較低程式門檻完成資料處理、模型比較、模型調校與預測流程，再銜接 MLflow 等平台進行實驗追蹤、模型版本管理、模型註冊、部署與監控，建立能支援企業內部持續改善與規模化應用的機器學習管理能力。

【課程目標】

本課程協助批發業者從資料分析應用出發，結合 PyCaret 低程式碼建模工具與 MLflow MLOps 管理平台，逐步建立可快速驗證、可管理、可追蹤、可部署的機器學習流程。具體而言有以下四個目標：

1. 建立批發業 AI 與資料分析應用架構，掌握需求預測、庫存補貨、客戶分群、銷售異常與價格分析等常見場景。

2. 理解機器學習專案從資料取得、特徵工程、模型訓練、模型比較、評估驗證到部署監控的完整生命週期。

3. 掌握 PyCaret 於 No Code／Low Code 建模、AutoML 模型比較與快速原型開發上的應用，降低批發業導入 AI 的技術門檻。

4. 完成一套批發業 MLOps 應用方案雛形，能將 PyCaret 產出的模型與流程銜接至 MLflow，並整合至企業日常營運與決策流程。

【課程內容】

日期	模組	課程單元	時數	地點
結訓日前完成	AI 時代的風險與安全意識	別掉入陷阱！識破網路詐騙網路詐騙的危害認識各類型網路詐騙與避 AI時代真假難辨？破解生成式AI與假訊息生成式AI風險全球AI治理與評測現況守住你的數位資產!個人與企業資料防護指南為什麼資料要防護？個人日常中的資料防護	4H	線上自學
9/14（一）	AI 認知：批發業資料分析與低程式碼 AI 導入定位	• 批發業營運痛點與 AI 應用地圖：需求預測、庫存補貨、缺貨風險、客戶分群、銷售異常與價格分析 • 資料盤點與資料治理：訂單、庫存、客戶、供應商與通路資料品質檢核 • No Code／Low Code AI 導入觀念：從商業問題、資料欄位到可執行模型流程；PyCaret 在快速原型與 AutoML 中的角色 • MLOps 導入藍圖：模型生命週期、跨部門協作、資料科學專案管理與部署情境	6.5H	台中會議室+ 線上直播
9/15（二）	AI 建模：PyCaret 低程式碼建模與模型實驗管理	• 批發業資料前處理與特徵工程：銷售、庫存、客戶與時間序列資料整理；缺漏值、異常值與資料切分 • PyCaret No Code／Low Code 建模實作：setup、compare_models、create_model、tune_model、evaluate_model 與 predict_model • 常見模型應用示範：迴歸、分類、分群與異常偵測；需求預測、客戶分群與銷售異常案例 • 模型評估與解釋：指標選擇、交叉驗證、特徵重要性與模型比較報告 • 實驗紀錄銜接：將 PyCaret 建模流程與 MLflow Tracking 概念連結	6.5H	台中會議室+ 線上直播
9/21（一）	MLOps 部署：PyCaret 模型管線、MLflow 平台與服務化	• PyCaret 模型輸出與管線保存：save_model、load_model、finalize_model 與可重現流程 • MLflow 平台架構與環境搭建：Tracking Server、Backend Store、Artifact Store；本機、團隊與企業部署情境差異 • 實驗追蹤與模型版本管理：參數、指標、模型檔案與資料版本紀錄；由 PyCaret 實驗結果進入 MLflow 管理 • 模型註冊與部署流程：Model Registry、版本控管、Stage 管理與批次／API 服務化 • 批發業部署情境：每日需求預測、補貨建議、異常銷售警示與客戶分群更新	6.5H	台中會議室+ 線上直播
9/22（二）	AI 整合：低程式碼模型治理、監控與批發業專題成果	• 從 PyCaret 原型到正式部署：驗證商業價值、確認資料來源、建立重訓與回滾機制 • 模型監控與持續改善：資料漂移、模型效能衰退與告警機制；定期重訓與模型更新流程 • MLOps 治理與風險管理：權限控管、稽核紀錄與模型文件化；人機協作與決策責任界定 • No Code／Low Code 導入限制與風險：避免黑箱套用、資料品質不足與過度自動化決策 • 專題成果發表：批發業 MLOps 應用方案設計，含 PyCaret 建模流程、MLflow 管理架構與導入路線圖	6.5H	台中會議室+ 線上直播

※主辦單位保留變更課程內容與講師之權利

【講師簡介】

李宜熹主任

現職：東吳大學智能商業研究中心主任、東吳大學財務工程與精算數學系副教授、國立政治大學數位創新金融實驗室首席副執行長、國立政治大學 AI 創新實驗室副執行長；並長期擔任證券暨期貨市場發展基金會、台灣金融研訓院等機構之金融科技與 AI 相關課程講師。

專長：人工智慧與資料分析、金融科技、區塊鏈、量化投資、風險管理與企業數位轉型。

實務專案經驗：擔任過大型金融業與資訊流通業的數位轉型顧問，具備多年資料分析、AI 模型建置與企業系統導入經驗，曾參與法人企業徵信報告自動化流程驗證、自動化人工智能徵信評等系統、AI 資金需求預測模型、人工智慧選股策略輔助系統、AI 數據科學教育訓練等委託研究與建置計畫，熟悉從資料整合、特徵工程、模型訓練、驗證評估到系統化落地的完整流程。

【培訓證書】

學員課程出席時數達到 80% 以上、完成前後測考試即可獲得受訓證明。

【課程洽詢】

陳小姐聯絡信箱： candicechen@iii.org.tw

【注意事項】

1. 報名完成後，辦課單位會進行資格審查，並於開課前一周通知遴選結果。為確保您的上課權益，若您未收到任何回覆，敬請來電或來信洽詢。

2. 課程當日無供應餐點，請自理午餐；若需辦課單位代訂便當請自備現金。

3. 為配合講師時間或臨時突發事件，主辦單位有調整日期或更換講師之權利。

4. 本課程為經濟部補助計畫，受訓學員需填寫個人基本資料與相關同意書，並於每堂課程上課須簽到、下課須簽退，且結訓學員需配合經濟部培訓後相關意見調查。

5. 若學員報名成功後，達 2 次以上無故缺席課程或臨時取消課程，將會影響您後續參與本計畫免費課程之權益，懇請學員知悉與留意。

6. AI 人才培育計畫網站：https://serv.gcis.nat.gov.tw/AOCAI/

批發 MLOps 部署：低程式碼 AI 建模與智慧營運決策實戰

Offline Event

Offline Event

批發 MLOps 部署： 低程式碼 AI 建模與智慧營運決策實戰

Offline Event

Offline Event

批發 MLOps 部署：低程式碼 AI 建模與智慧營運決策實戰