<?xml version="1.0" encoding="utf-8"?>
<oembed><version>1.0</version><provider_name>Camdemy1.0</provider_name><provider_url>http://eclass.uch.edu.tw</provider_url><title>20260102C</title><description></description><author_name></author_name><author_url>http://eclass.uch.edu.tw/user/</author_url><converting>0</converting><thumbnail_url>http://eclass.uch.edu.tw/sysdata/doc/0/0d2cb3f2af074ad6/thumb_l.jpg</thumbnail_url><thumbnail_height>360</thumbnail_height><thumbnail_width>640</thumbnail_width><html>&amp;lt;iframe width='720' height='405' id='ccShare50947' frameborder='0' scrolling='no' src='http://eclass.uch.edu.tw/media/e/50947'&amp;gt;&amp;lt;/iframe&amp;gt;</html><type>video</type><width>720</width><height>405</height><duration>16:23</duration><index><item_1><title>index 1</title><time>0</time><indent>0</indent><sn>1</sn></item_1><item_2><title>Q3 Prompt 注入 (Prompt Injection) 攻擊主要試圖繞過 LLM 的哪項機制？</title><time>5190</time><indent>0</indent><sn>2</sn></item_2><item_3><title>Q2 企業使用雲端 LLM API 時，為緩解Prompt 數據洩露風險，應在數據輸入前採取什麼行動？</title><time>5790</time><indent>0</indent><sn>3</sn></item_3><item_4><title>Q3 Prompt 注入 (Prompt Injection) 攻擊主要試圖繞過 LLM 的哪項機制？</title><time>64240</time><indent>0</indent><sn>4</sn></item_4><item_5><title>Q4 當 LLM 輸出內容存在倫理或偏見 (Bias) 風險時，組織層面應實施哪種緩解策略？</title><time>83890</time><indent>0</indent><sn>5</sn></item_5><item_6><title>Q5 在 AI 應用規劃中，若 LLM 輸出錯誤導致商業損失，為了明確責任與可歸責性，規劃者必須建立什麼機制？</title><time>149090</time><indent>0</indent><sn>6</sn></item_6><item_7><title>Q6 為緩解 LLM 應用帶來的成本失控風險，最直接的營運控制措施是什麼？</title><time>160290</time><indent>0</indent><sn>7</sn></item_7><item_8><title>Q7 若企業擔心 LLM 生成的程式碼或文案可能侵犯版權或智慧財產權，應優先考慮哪種法律緩解策略？</title><time>167790</time><indent>0</indent><sn>8</sn></item_8><item_9><title>** after L123C 生成式 AI 風險管理.pptx</title><time>179240</time><indent>0</indent><sn>9</sn></item_9><item_10><title>Q7 若企業擔心 LLM 生成的程式碼或文案可能侵犯版權或智慧財產權，應優先考慮哪種法律緩解策略？</title><time>203990</time><indent>0</indent><sn>10</sn></item_10><item_11><title>Q8 影子 IT (Shadow IT) 在生成式 AI 風險管理中，屬於哪一類風險？</title><time>205090</time><indent>0</indent><sn>11</sn></item_11><item_12><title>Q9 為確保 LLM 應用符合GDPR (通用數據保護條例) 等法規，必須記錄哪一項日誌數據？</title><time>229290</time><indent>0</indent><sn>12</sn></item_12><item_13><title>Q10 若 LLM 在相似的客服情境下，輸出語氣和風格不一致的回覆，這屬於哪一類風險？</title><time>249890</time><indent>0</indent><sn>13</sn></item_13><item_14><title>Q11 為緩解Prompt 注入 (Prompt Injection) 風險，技術上應如何處理使用者輸入和系統指令？</title><time>287840</time><indent>0</indent><sn>14</sn></item_14><item_15><title>Q12 在 AI 治理中，如何應對員工對 AI 協作產生的變革阻力或恐懼？</title><time>315690</time><indent>0</indent><sn>15</sn></item_15><item_16><title>Q13 當 LLM 應用於金融決策等高風險場景時，為了確保法規遵循，規劃者必須納入什麼機制？</title><time>332340</time><indent>0</indent><sn>16</sn></item_16><item_17><title>Q14 若 LLM 輸出內容被人工審核發現有重大事實錯誤 (幻覺)，則應立即採取什麼行動？</title><time>346140</time><indent>0</indent><sn>17</sn></item_17><item_18><title>Q15 企業採用多供應商策略 (Multi-vendor Strategy) 的主要目的是緩解哪種風險？</title><time>429540</time><indent>0</indent><sn>18</sn></item_18><item_19><title>Q16 在圖像生成 AI 的風險管理中，內容不當 (Harmful Content) 風險的主要緩解策略是？</title><time>489490</time><indent>0</indent><sn>19</sn></item_19><item_20><title>Q17 若企業需要 LLM 處理嚴格的行業術語，但通用模型表現不佳，這屬於哪一類風險？</title><time>504840</time><indent>0</indent><sn>20</sn></item_20><item_21><title>Q18 為緩解程式碼生成帶來的安全漏洞風險，規劃者必須強制實施哪項流程？</title><time>513590</time><indent>0</indent><sn>21</sn></item_21><item_22><title>Q19 若企業決定將 LLM 微調 (Fine-tuning)，則在數據隱私風險管理中，必須確保什麼？</title><time>544390</time><indent>0</indent><sn>22</sn></item_22><item_23><title>Q20 在營運風險管理中，如何緩解因人員技能不足導致的低效率風險？</title><time>652640</time><indent>0</indent><sn>23</sn></item_23><item_24><title>Q21 若 LLM 在高流量尖峰時段表現不佳，影響業務，這屬於哪一類風險？</title><time>685840</time><indent>0</indent><sn>24</sn></item_24><item_25><title>Q22 為緩解 LLM 帶來的法規遵循風險，規劃者應建立什麼治理機制？</title><time>838190</time><indent>0</indent><sn>25</sn></item_25><item_26><title>Q23 在人工審核 (Human-in-the-Loop) 風險管理中，應如何規劃人工介入的時機以平衡效率？</title><time>865840</time><indent>0</indent><sn>26</sn></item_26><item_27><title>Q24 為緩解Prompt 注入風險，除了過濾器，技術上還可採取什麼措施？</title><time>890640</time><indent>0</indent><sn>27</sn></item_27><item_28><title>Q25 若 LLM 在輸出中體現了種族或性別偏見，緩解此類風險的長期解決方案是？</title><time>928540</time><indent>0</indent><sn>28</sn></item_28><item_29><title>Q26 在 LLM 應用中，模型權重竊取 (Model Weight Theft) 風險屬於哪一類風險？</title><time>937590</time><indent>0</indent><sn>29</sn></item_29></index><resolution><playtype>fs</playtype><subtype></subtype><src>1920x1080</src><mp4>720x404</mp4><mp4_hd>1280x720</mp4_hd><mp4_1920>1920x1080</mp4_1920><mp4_4k></mp4_4k><mp4_src></mp4_src><mp4_base></mp4_base></resolution><base_image><thumb>http://eclass.uch.edu.tw/sysdata/doc/0/0d2cb3f2af074ad6/thumb.jpg</thumb><cover>http://eclass.uch.edu.tw/sysdata/doc/0/0d2cb3f2af074ad6/cover.jpg</cover><storyboard>http://eclass.uch.edu.tw/sysdata/doc/0/0d2cb3f2af074ad6/video/thumbs/storyboard.jpg</storyboard></base_image><srcFrom></srcFrom><base_url>http://eclass.uch.edu.tw/sysdata/doc/0/0d2cb3f2af074ad6</base_url><status>1</status></oembed>
