|
踏上生成式AI自學之路：從底層技術、程式實作到企業應用
|
|
|
|
|
作 者╱
|
曾瀚平
|
|
出版社別╱
|
五南
|
|
出版日期╱
|
2025/04/22
(1版 1刷)
|
|
|
I
S B N ╱
|
978-626-423-168-8
|
|
書 號╱
|
1F0K
|
|
頁 數╱
|
240
|
|
開 數╱
|
20K
|
|
定 價╱
|
520
|
|
|
|
曾瀚平
學歷
國立陽明交通大學 資訊管理所 博士生
國立中央大學 資訊管理所 碩士
經歷
東吳大學 資料科學系 兼任講師
工業技術研究院 網路流量分析顧問
國家科學及技術委員會 專題研究計畫助理
國家科學及技術委員會 千里馬計畫訪問學者
專長領域
資料科學、AIoT、電子商務、網路流量分析
著作
《指尖下的大數據：運用Google Analytics發掘行動裝置裡的無限商機》
《Google Analytics 疑難雜症大解惑：讓你恍然大悟的37個必備祕訣》
獲獎
2024 台北大眾捷運股份有限公司 捷運盃黑客松競賽──黑捷客獎
2020 聯發科技 智在家鄉數位社會創新競賽──潛力獎、最佳地氣獎
2017 行政院農委會農業創新黑客松競賽──農友好神獎
|
序言
1從AI 到生成式AI
1-1 生成式AI 的演進
1-2 生成式AI 的應用
1-3 生成式AI 的挑戰
2生成式AI 先備知識
2-1 機器學習
2-2 深度學習
2-3 自然語言處理與理解
2-4 文字轉向量
2-5 大型語言模型
2-6 RNN 遞迴神經網路
2-7 LSTM 長短期記憶模型
2-8 GAN 生成對抗網路
3 Transformer 深入淺出
3-1 Transformer 簡介
3-2 Transformer 輸入
3-3 Transformer 編碼器
3-4 Transformer 解碼器
3-5 Transformer 輸出
3-6 Google Titans 模型
3-7 DeepSeek R1 模型
4提示工程
4-1 提示工程簡介
4-2 指令微調(Prompt-Tuning)
4-3 上下文學習(In-Context Learning)
4-4 大模型微調(Fine-Tuning)
4-5 思維鏈(Chain of Thought)
4-6 客製化指令
5實作檢索增強生成
5-1 前置作業
5-2 準備目標檔案
5-3 切割目標檔案
5-4 建立向量資料庫
5-5 檢索合適的回答
5-6 問答
5-7 聊天
6實作網站智能客服
6-1 工具準備
6-2 建立主機空間
6-3 建立網站
6-4 編輯網頁
6-5 網站上網
6-6 建立系統後端
6-7 建立系統前端
7企業導入生成式AI
7-1 人工智慧原則
7-2 企業面臨的挑戰
7-3 生成式AI 的導入流程
7-4 未來趨勢—AI 代理
結語
|
|
|
|
1-1生成式AI 的演進
「人工智慧(Artificial Intelligence, AI)」一詞，最早可追溯至1950 年英國數學家艾倫．圖靈發表的論文Computing Machinery and Intelligence。在這篇論文中，圖靈提出機器具備思考能力的可能性，開啟了人類對智慧機器的無限想像。然而，這一概念在當時並未受到廣泛關注。直至1956 年，美國新罕布夏州的一場「達特茅斯會議」上，「人工智慧」一詞才被正式確立，標誌著AI 革命的開端。隨後，全球學者紛紛投入研究，探索如何讓機器模擬人類的思維與行為，以解決現實問題。因此，1956 年也被公認為人工智慧的元年。
到了1970 年代，人工智慧的研究遭遇重大挫折，人們逐漸意識到機器在解決問題上的能力存在極大限制。以史上首個聊天機器人「Eliza」為例，雖然它號稱能夠與人類交流，但實際上並無法在互動中學習新知識。Eliza 只能依照一套固定規則，根據人類輸入的文字訊息進行簡單的排列組合，再產生回應，從而營造出機器能夠理解對話的假象。當時的困難主要源於電腦運算能力不足，導致資料處理速度過慢，進而限制了AI 的發展。此外，數據資源與先進演算法的缺乏也使人工智慧的進步步履維艱。正因如此，1970 年代成為人工智慧領域的第一個寒冬期。
1980 年，隨著專家系統(Expert System) 的出現，人們對人工智慧研究的熱情再度被點燃。專家系統是一種模擬專家決策的AI 應用，旨在幫助機器處理特定領域的決策問題。人類史上第一套專家系統「DENDRAL」應用於化學領域，可以根據質譜數據快速推斷並識別化合物的結構。DENDRAL 主要由「知識庫」和「推理演算法」兩大部分構成。知識庫就像是一個龐大的資料庫，內含人類所有已知的化學知識，建置過程需耗費大量的人力和資源；推理演算法則是一套模擬專家思維的運算邏輯，用來執行推理與決策。然而，當時的數據收集和計算成本極為昂貴，專家系統在短期內無法產生顯著的經濟效益。最終，這種高昂的投入與有限的回報導致人工智慧領域再度陷入低潮，進入第二波寒冬期。
隨著時間推移，硬體與軟體技術的迅速進步讓電腦運算速度大幅提升、成本顯著下降，並且配合演算法領域的卓越研究成果，人工智慧領域逐漸走出低潮，迎來第三波熱潮。1997 年，IBM 公司推出的西洋棋專用超級電腦Deep Blue 成為焦點。Deep Blue 每秒可計算高達2 億步棋步，並根據當前局勢預測未來12 步棋的勝率，動態調整策略，最終擊敗了當時的西洋棋世界冠軍，轟動一時。2014 年，Google DeepMind 則選擇挑戰複雜度更高的圍棋，開發出名為AlphaGo 的AI 圍棋軟體，並準備與人類頂尖棋手對決。
雖然AlphaGo 在初期的勝率不低，但仍難以穩定擊敗人類。然而，隨著AlphaGo 的學習能力持續提升，它在2017 年最終戰勝所有人類對手，登上圍棋世界的頂峰。無論是Deep Blue 還是AlphaGo 的成就，都讓人類開始對人工智慧充滿無限的想像，甚至產生疑慮：人工智慧是否有朝一日將威脅到人類的生存？
到了2022 年，人工智慧已不再是遙不可及的夢想，也不僅限於學界或業界的概念性產品。2022 年11 月30 日，OpenAI 正式推出了一款人人可用的AI 應用：ChatGPT，一個真正的「殺手級」應用。相信許多讀者都有使用ChatGPT 的經驗，並在首次互動中對它的智能應答感到驚豔。簡單來說，ChatGPT 能夠根據人類的提問生成符合情境、有意義的回應，彷彿具備了「意識」般的互動能力。
這種便捷、自然的互動模式，讓人們在短時間內切身感受到人工智慧的強大，因此在上線後短短五天內便引發轟動，吸引了超過100 萬人註冊。更令人驚嘆的是，僅僅兩個月後的2023 年1 月，其月活躍使用者人數突破1億人次。這一現象標誌著人工智慧應用的進化，生成式AI的時代正式到來！
1-2 生成式AI的應用
生成式AI(Generative AI, GenAI)是人工智慧的一個重要分支，能依據指令生成各種內容形式，包括文字、圖片、影像和聲音等，這些生成的內容即稱為AIGC(AI Generated Content)。例如大家熟悉的ChatGPT便是以生成文字內容為主的GenAI應用，其產出的文字內容即屬於AIGC。隨著2024年開源模型的廣泛使用，GenAI的應用開啟無限可能，成為各行各業關注的焦點。在本章節中，筆者將依序從商業、教育、醫療等不同面向，探討GenAI的實際應用。
一、商業
在商業領域，GenAI已展現出高度價值。例如，工藝品零售商Michaels Stores推出了一個GenAI平台，可根據不同的客群生成客製化的產品資訊，提升顧客互動並推動合適的銷售策略。這項創新使推播活動的個性化程度從20%躍升至95%，同時讓簡訊和電子郵件活動的點擊率分別提升了41%和25%。
旅遊平台Expedia Group也將GenAI整合至應用程式中，為旅客提供類似旅行專員的服務體驗。不僅搜尋航班和住宿更加便捷，旅客還能直接向AI助手請求旅行建議，從航班到酒店和景點推薦，一應俱全。Expedia更對AI進行額外訓練，結合平台上的航班數據，動態追蹤價格變化，幫助旅客在最佳時機完成機票預訂，進一步提升消費的價值感受。
世界最大的零售企業Walmart則在其網站上建立了基於GenAI的新型搜尋引擎，讓消費者透過情境描述即可快速找到所需產品。假設消費者希望為熱愛小熊維尼的朋友舉辦生日派對，GenAI便能依據描述呈現相關商品清單，例如小熊維尼的氣球、派對套裝和主題音樂，甚至會根據預算篩選出最佳組合。這種由「滾動搜尋」轉為「目標搜尋」的方式，為消費者帶來了全新的購物體驗。
美國二手車零售商CarMax 則運用GenAI 優化消費者評論的閱讀體驗。對於一款擁有數萬則評論的車型，消費者通常難以迅速掌握要點，透過GenAI 技術，這些評論可被精簡為數句關鍵摘要。若以傳統方式處理，CarMax 預估此任務需耗時11 年，但有了GenAI，僅需幾個月即可完成，而且生成內容的品質還超乎預期。
二、教育
GenAI 也對教育領域帶來顯著變革。對學生而言，GenAI 能提升閱讀文獻的效率，幫助他們從大數據中提取關鍵數據和重點，並克服語言障礙。此外，GenAI 可以從不同層面和觀點分析相同問題，激發學生的創意思考，並輔助偵錯和潤飾報告，提高報告品質。更重要的是，GenAI 能根據學生的學習能力和進度提供個性化的學習建議，因此，對於自主學習者來說，GenAI 是一項珍貴的資源。對於教師而言，GenAI 同樣具有極大幫助。它可以協助在課前生成授課計畫、教學簡報或測驗，並在課後幫助審閱和評分學生的作業或測驗。這樣一來，教師可以將更多時間投入到課程準備和與學生的互動中，從而進一步提升教學品質。
三、醫療
在醫療領域，GenAI 的崛起帶來了顯著的影響。令人驚訝的是，ChatGPT 在2023 年未經額外訓練的情況下，成功通過了挑戰性十足的美國執業醫師資格考試(USMLE)，這一成就引起了學界和業界的廣泛關注。隨著GenAI 技術的進步，各種實務應用相繼問世。
例如，AI 醫療新創公司Navina 開發了一款GenAI 助理，旨在提升醫師處理行政事務的效率。這款工具能夠分析病人的電子健康記錄、保險理賠文件等資料，監控健康狀況，並根據病情向醫師推薦治療方案。除此之外，它還能回答醫生的各種問題，並自動生成轉診信和病情記錄等文書。Navina至今已成功籌集了4,400萬美元，顯示醫療界對GenAI應用的高度關注與支持。
美國醫療科技公司Medtronic則開發了一款AI智慧大腸鏡檢查工具，能在檢查過程中即時分析大腸影像，並辨識惡性組織。進一步地，這項技術結合GenAI來改善影像品質，並根據綜合健康資訊制定個人化治療計畫。
在藥物研究領域，美國人工智慧新創公司Atomwise利用GenAI高效分析大量生物和化學數據，取得了突破性進展。GenAI能快速識別出潛在對多種疾病有效的化合物，大幅加速藥物篩選。僅在6小時內，它便提出了40,000種潛在化合物，為後續的研究提供了寶貴的資料。
此外，雪梨科技大學的GrapheneX-UTS人工智慧研究中心開發了一項技術，能將癱瘓患者的思想轉化為文字，幫助他們重新獲得溝通能力。這項技術對於因疾病或受傷而喪失說話能力的患者，帶來了重大的生活變革。 |
|
|
|
