自適應學習 AI · 合規培訓
兩名員工完成同一門 AML 再認證模組，LMS 卻顯示兩個一模一樣的綠色勾號。Attest 以真實的知識追蹤模型讀取每位學員的原始互動串流，只認證它能證明的概念，並交給你一份已簽署的勝任能力證書，而不是一個勾號。
51.9%
批次在席時間縮減
模擬 500 名學員批次，即時計算
0.83 AUC
留出集 SAKT 模型品質
我們以固定種子生成的合成 KT 基準
18 項中 0 項
針對以 AI 鑽漏洞過關的學員所認證
能力閘門，即時應用程式輸出
這是可執行的示範，而非部署。批次與互動紀錄皆為合成，本頁每一個數字都由正在運行的應用程式計算得出。
綠色勾號只告訴你員工看完了一支影片。它並不告訴你他們學會了。
SCORM 回報「Completed」。稽核員要的是掌握證據。一名早已熟悉教材的資深 BSA 分析師，與一名確實存在落差、到職六個月的分行經理，坐完同一門 4 小時的 AML 課程，拿到一模一樣的勾號。紀錄無法把他們區分開來，因為它從來沒有在量測任何一人真正懂什麼。
多數自詡為「自適應」的現有產品，跑的其實是協同過濾（「跟你類似的人接下來修了課程 X」），而不是概念層的知識追蹤（「你尚未掌握概念 Y」）。員工也愈來愈常用 AI 助理輕鬆過關模組，於是完成紀錄寫著「已培訓」，學習卻從未真正留下。
在受監管的工作裡，這道落差是稽核員可以定價的責任。美國企業培訓每年約花費 $102.8B，約合每位學員 $874（《Training Magazine》，2025），而其中大部分買到的是完成紀錄，而非勝任證明。凡培訓落差帶有監管後果之處——在 AML 與 BSA 再認證，或自 2026 年 8 月 2 日起適用的《歐盟 AI 法案》第 4 條以職務為本的 AI 素養規則——綠色勾號恰好是最不該帶去的證據。
四個階段把一門扁平課程轉成逐概念掌握與一份已簽署證書。LLM 負責閱讀；真正重要的每一項決定，都由決定性程式碼做出。
它把一門扁平的「AML Training」課程拆成 18 概念分類法（客戶盡職調查、SAR 敘述品質、結構化交易偵測、TBML 高報與低報發票、OFAC 制裁篩查等），並為每堂課標上所屬概念。內容標註被這個領域稱為自適應學習專案失敗的首要原因，而這一步將其自動化。該代理建於 Pydantic AI 之上，可在 Anthropic、OpenAI、Gemini 與 Ollama 之間替換供應商，預設為 claude-opus-4-8，並備有快取分類法離線後備，因此示範無需 API 金鑰即可運行。
核心是一套真實的自注意力知識追蹤 transformer：119,809 個參數，PyTorch，約 90 秒即可在 CPU 上訓練並隨後快取。它重播每位學員的互動序列，並依完整歷史條件化，推論每個概念的掌握機率。它不是 LLM，也不是代理。它是持久的機器學習核心，讓這成為真正的知識追蹤，而不是一本成績簿。
純 Python，迴路中沒有模型。就每個概念而言，掌握機率達到或超過 0.67 導向跳過並驗證，0.38 至 0.67 導向心流，低於 0.38 導向鷹架。定序器計算自適應相對於扁平的在席時間，以及批次 ROI。切點來自有標籤批次的交叉驗證擬合，並由嚴格優於手設後備方案的 5 折 A/B 支撐，不是手調的魔術數字。
這是治理，不是個人化。閘門只在掌握度至少 0.747、證據充足（至少 3 次互動）、且回應模式並非異常時，才認證一個概念。否則它將該概念標為「需要證明」，並發出驗證挑戰。它從不在薄弱或異常證據上認證。
產出是一份已簽署的勝任能力證書（HMAC-SHA256）：逐概念掌握度、證據軌跡、模型名稱、版本與基準 AUC、所套用的 Flow-Zone 門檻、自適應相對於扁平的在席時間、法規對應，以及一段誠實限制頁尾。這就是你交給監管機構、而不是一個勾號的東西。貫穿始終的原則：我們認證能證明的，從不虛張一個綠色勾號。
以下每一個數字，都是正在運行的應用程式對合成學員的真實輸出。
資深 BSA 分析師 （在職 8 年）幾乎處處讀成綠色，僅在貿易型洗錢與一個 SAR 紅旗概念上偏弱。Attest 認證 18 項中的 16 項，將 2 項導向需要證明，且不標旗證據。在席時間從扁平的 240 分鐘降到自適應的 47.3 分鐘，省下 80.3%。這是「多半已經會了，跳過已證明的部分」的案例。
新任分行經理 （調職後 6 個月）在 SAR 敘述與 TBML 上確實存在落差。模型推論若干概念掌握度偏低，並將它們導向心流或鷹架，而不是跳過。Attest 認證 18 項中的 10 項，將 8 項導向需要證明，並把在席時間從 240 分鐘降到 146.7 分鐘，省下 38.9%。獲認證的概念少於分析師，因為這名學員確實需要這門培訓。節省跟著掌握度走，不是一筆固定折扣。
營運助理 是困難案例。這名學員在 18 個無關概念上又快又完美，這種回應時間分布與真正的回憶不一致。表面掌握度看起來很高，但能力閘門標旗證據，並認證 18 項中的 0 項。全部 18 項導向需要證明，證據被標為已標旗，在席時間暫扣、等待驗證。我們把這當成價值，而不是「抓到你了」：我們只認證能證明的。
在一個真正模擬、時薪全成本 $75 的 500 人年度再認證批次上，Attest 計算出約 51.9% 的批次在席時間縮減（2,000 扁平小時降至約 962 自適應小時，約回收 1,038 小時），僅此一模組約回收 $77,872，若放大到典型的 20 小時合規計畫，年化約 $389,362。美元數字由模型輸出計算而來，年化數字在畫面上標為推估。
在以固定種子、可重現、由 PFA 生成的合成 KT 語料上（2,000 名訓練、500 名測試學生，18 個概念，12 個 epoch），留出集 AUC 為 0.8315，下一步準確率為 0.771。因為資料生成過程（Performance Factors Analysis，一種古典邏輯學員模型）屬於與我們所訓練的 transformer 不同的模型家族，留出集 AUC 顯示 SAKT 找回了真實的潛在學習結構，而不是在為自己的假設打分。就外部脈絡而言，公開 ASSISTments 資料集上已發表的 SAKT AUC 約為 0.80（Pandey & Karypis，2019）。持久的標題仍是在席時間節省百分比與自動認證百分比，無論模型品質如何都成立。AUC 證明模型是真正的知識追蹤，而不是產品的標題數字。
完成追蹤與推薦引擎都讓稽核員空手而回。知識追蹤加上治理則不會。
| 做法 | 它量測什麼 | 你能交給稽核員什麼 |
|---|---|---|
| SCORM / LMS 完成 | 學員是否開啟並看完內容 | 一個綠色勾號，沒有掌握證據 |
| 經由協同過濾的「自適應」 | 類似學員接下來修了或做了什麼 | 一門課程推薦，仍然沒有概念層證明 |
| Attest（知識追蹤加上治理） | 從每位學員的互動推論出的逐概念掌握度 | 一份附完整證據軌跡的已簽署勝任能力證書 |
舉一個具名市場例子：Cornerstone 於 2026 年 3 月推出的「Adaptive Learning Agent」使用協同過濾，而非概念層知識追蹤（Cornerstone product announcement, March 2026）。區別就是重點：推薦不是掌握估計，而兩者都不是稽核產物。
多數被行銷成自適應的工具跑的是協同過濾：它們推薦類似學員接下來修了什麼。那是推薦引擎，不是知識追蹤。Attest 使用真實的自注意力知識追蹤 transformer（SAKT），從每位學員自己的互動歷史推論逐概念掌握機率。以具名為例，Cornerstone 於 2026 年 3 月推出的 Adaptive Learning Agent 使用協同過濾，而非概念層追蹤（Cornerstone product announcement, March 2026）。
這正是能力閘門要處理的案例。在示範中，一名在 18 個無關概念上又快又完美作答的學員觸發異常規則，閘門認證 18 項中的 0 項，把每一個概念導向需要證明，並暫扣在席時間。閘門只在掌握度、證據充足性與回應模式檢查全部通過時才認證，因此不合理的快速完美被拒絕，而不是被獎勵。
一份已簽署的勝任能力證書，不是一個勾號。它列出每個概念的掌握機率與認證或需要證明狀態、哪些互動與時間戳產生各項估計的證據軌跡、模型名稱、版本與基準 AUC、所套用的 Flow-Zone 門檻、自適應相對於扁平的在席時間、法規對應，以及一段誠實限制頁尾，全部置於 HMAC-SHA256 簽章之下。
不會。Attest 是讀取你的 LMS 既有互動串流的智能層，不是一套新的 LMS。在本示範中，LMS 以及 Cornerstone-REST 與 SAP-BTP 連接器皆為模擬樁程式，生產建置會接到你真正的紀錄系統。你的 LMS 繼續記錄完成，Attest 則補上概念層掌握度與證書。
它是在合成的 500 人再認證批次上即時計算的，不是在真實客戶上量測的。Attest 把每位模擬學員的互動歷史跑過 SAKT 模型與 Flow-Zone 定序器，並回報約 51.9% 的加總縮減、回收時數，以及標示為年化的推估。獨立錨定的主張是模型品質（AUC 0.83），不是美元數字。
不是。留出集 AUC 0.8315 是在我們自己以固定種子、可重現、由 PFA 生成的合成 KT 語料上量測的，不是公開基準。這很重要，因為語料由與我們所訓練的 transformer 不同的模型家族（PFA 邏輯模型）生成，因此高留出集 AUC 顯示模型找回了真實的學習結構。公開 ASSISTments 資料集上已發表的 SAKT 結果約為 0.80（Pandey & Karypis，2019），僅作為外部脈絡引用。
給負責強制再認證的首席學習長、L&D 總監與合規主管。
若你的團隊正在衡量如何為受監管培訓計畫證明掌握、而不只是完成，我們很願意對照彼此對這件事需要什麼的思路。問題是全產業的，答案也會是。