L111 人工智慧概念 (AI Concepts)
人工智慧 (AI)
解釋: 人工智慧是研究和開發能夠模擬人類智能行為的計算機系統。
範例: 智能語音助手如 Siri、自動駕駛汽車、圍棋 AI 如 AlphaGo。
比喻: 就像是教一台電腦思考和做決定，類似於教一個孩子，但用數學和邏輯而不是經驗和情感。
弱人工智慧 (Narrow or Weak AI)
解釋: 專注於執行特定任務的 AI，沒有真正的自我意識。
範例: 掃地機器人、天氣預測系統、推薦算法。
比喻: 像一個只會做一道菜的廚師，非常擅長煎牛排，但不會做其他任何料理。
強(通用)人工智慧 (General or Strong AI)
解釋: 具有與人類相當的認知能力，能夠理解、學習和應用知識到各種不同任務的 AI。
範例: 目前還沒有真正的強 AI 實例，但科幻作品中如《2001 太空漫遊》中的 HAL 9000。
比喻: 像是一個全能的學生，能夠學習任何科目並靈活應用所學知識解決不同問題。
超人工智慧 (Super AI)
解釋: 超越人類智能的 AI，能夠比人類更快、更準確地處理各種任務。
範例: 目前仍是理論概念，尚未實現。
比喻: 如同具有超能力的大腦，不僅能解決人類能解決的所有問題，還能解決人類無法理解的複雜問題。
圖靈測試 (Turing Test)
解釋: 一種測試機器是否具有與人類相當智能的方法，由 Alan Turing 提出。
範例: 若評判無法分辨與其交談的是人還是機器，則該機器通過測試。
比喻: 就像是一場文字版的"假面舞會"，如果戴著面具的 AI 能讓人類認為它是另一個人，就算通過測試。
智能客服 (Chatbot)
解釋: 模擬人類對話的程式，可以回答問題或執行簡單任務。
範例: 網站客服機器人、虛擬助手如 ChatGPT。
比喻: 像是數位世界的接待員，24 小時待命回答訪客的各種問題。
理性行動 (Acting Rationally)
解釋: AI 系統根據現有信息做出最合理、最有效的決策。
範例: 在圍棋中選擇最有可能獲勝的下一步。
比喻: 像一個總是選擇最短路徑的導航系統，不受情緒或偏見影響。
智慧代理 (Intelligent Agents)
解釋: 能夠感知環境並採取行動以達成目標的 AI 實體。
範例: 網絡爬蟲、自動交易系統、虛擬遊戲角色。
比喻: 就像訓練有素的管家，能夠觀察主人的喜好並主動完成各種任務。
符號主義 AI (Symbolic AI)
解釋: 通過操作符號和規則來模擬人類思維的 AI 方法。
範例: 早期的專家系統、邏輯推理系統。
比喻: 像是遵循烹飪食譜的廚師，一步步按照明確的指示操作。
專家系統 (Expert System)
解釋: 模擬人類專家決策能力的知識系統。
範例: 醫療診斷系統、稅務諮詢系統。
比喻: 類似於將資深專家的經驗和知識裝入計算機中，讓它能夠提供專業建議。
認知計算 (Cognitive Computing)
解釋: 模擬人類思維過程的計算技術，整合各種 AI 技術。
範例: IBM Watson、健康諮詢系統。
比喻: 像是一個學習人類思考方式的電腦大腦，不只是處理數據，還能理解並推理。
機器智慧 (Machine Intelligence)
解釋: 機器展現的智能行為，特別是學習和適應能力。
範例: 能自我改進的棋類程式、自適應推薦系統。
比喻: 如同一個不斷從經驗中學習的學生，每次嘗試都變得更聰明。
自主系統 (Autonomous Systems)
解釋: 能夠在沒有人類干預的情況下獨立運作的系統。
範例: 自動駕駛車輛、無人機、工廠自動化機器人。
比喻: 像是有自我意識的機器，能夠自行判斷情況並做出決策，類似於不需要指揮的管弦樂隊。
知識表示 (Knowledge Representation)
解釋: 以計算機可處理的形式存儲和組織知識的方法。
範例: 本體論、語義網絡、知識圖譜。
比喻: 相當於為計算機創建一本百科全書，但是以特定結構組織，使機器能夠理解和使用這些知識。
框架理論 (Frame Theory)
解釋: 一種知識表示方法，將相關信息組織成框架結構。
範例: 描述"餐廳"的框架包含位置、菜單、服務員等屬性。
比喻: 就像填寫一份表格，每個欄位都有特定的信息需要填寫，共同描述一個完整概念。
視覺常識推理 (Visual Commonsense Reasoning)
解釋: 理解圖像中隱含的常識關係和因果關係的能力。
範例: 理解「為什麼這個人在雨中撐傘」等情境邏輯。
比喻: 不只看到「下雨」和「撐傘」，而是理解兩者之間的因果關係。
語言理解與推理 (Language Understanding and Reasoning)
解釋: AI 系統理解語言並進行邏輯推理的能力。
範例: 從"所有人都會死，蘇格拉底是人"推理出"蘇格拉底會死"。
比喻: 如同將閱讀理解與邏輯思維相結合的高階認知能力。
推理能力 (Reasoning Abilities)
解釋: AI 系統進行邏輯推理和解決需要多步思考的問題的能力。
範例: 解決數學問題、邏輯謎題或複雜規劃任務。
比喻: 就像下國際象棋，需要考慮多步棋的後果才能做出決策。
人機協作 (Human-AI Collaboration)
解釋: 人類與 AI 系統協同工作的模式，結合雙方優勢。
範例: 放射科醫生與 AI 共同診斷影像，AI 提示可疑區域，醫生做最終判斷。
比喻: 像是騎手與馬的關係，結合馬的速度和耐力與騎手的判斷力和適應性。
混合智能系統 (Hybrid Intelligence Systems)
解釋: 整合多種 AI 技術和人類專業知識的系統，克服單一方法的局限。
範例: 客服系統結合規則引擎、機器學習和人工干預，處理從簡單到複雜的各類問題。
比喻: 如同現代醫院，結合實驗室檢測、影像診斷和醫生經驗，提供全面治療方案。
自主學習系統 (Autonomous Learning Systems)
解釋: 能自主獲取知識、適應新環境並改進自身的 AI 系統。
範例: 自主學習機器人通過嘗試錯誤探索新環境，無需人工編程即可適應。
比喻: 像是能自我教育的學生，不需老師指導也能發現問題並學習解決方法。
計算創造力 (Computational Creativity)
解釋: 研究和開發能展現創造性行為的 AI 系統。
範例: AI 系統創作音樂、繪畫或設計新穎產品。
比喻: 如同教機器做夢並表達其夢境，探索傳統上被視為人類獨有的創造領域。
人工通用智能安全 (AGI Safety)
解釋: 研究確保高度自主、具有通用能力的 AI 系統安全運行的方法。
範例: 開發可靠的 AI 價值對齊技術，確保強大 AI 系統的目標與人類利益一致。
比喻: 如同設計強大引擎的同時確保有可靠的剎車系統和安全護欄，防止失控。
知識圖譜 (Knowledge Graph)
解釋: 一種結構化的知識表示方式，透過「節點」（表示事物）和「關係」（表示事物之間的連結）來建立 AI 可理解的知識網絡。
範例: Google 搜尋中的「知識面板」就是基於知識圖譜。
比喻: 如果你想了解「愛因斯坦」，知識圖譜會幫你連結「相對論」「物理學家」「諾貝爾獎」等關鍵概念，像是一本自動整理的百科全書。
深度研究 (Deep Research)
解釋: 指透過系統化的方法，進行深入的資料分析、理論探索，或長時間的專題研究，通常與 AI、大數據或科學研究相關。
比喻: 深度研究就像「考古學家」，他們不是只看地表，而是會深入挖掘，從細小的線索找出完整的歷史背景。
範例: 學術研究 → AI 研究人員進行長時間的實驗，驗證新型神經網絡架構。
深度搜尋 (Deep Search)
解釋: 一種強大的 AI 搜尋技術，能夠挖掘網路、學術資料庫、內部文件，甚至是深層網路（Deep Web），以獲取精確而深入的資訊。
比喻: 深度搜尋就像是一位「專業偵探」，它不只看表面資訊，而是深入線索，從各種隱藏角落找出真相。
範例: 企業競爭分析 → AI 幫助企業搜尋市場數據、專利文件、財務報告，以獲得競爭優勢。
AI Agent (人工智慧代理)
解釋: 一種能夠自主感知環境、決策並執行行動的 AI 系統。它可以根據輸入數據、內建知識或目標函數來進行推理，並與環境交互，以達成特定任務。AI 代理可以是軟體（如 ChatGPT）或機器人（如自動駕駛汽車）。
比喻: 就像是一位自動化助理，例如 Siri 或 Google Assistant，它們可以根據用戶的語音指令來查詢天氣、設定鬧鐘或發送訊息，而不需要人為介入。
範例: 1. 客服 AI 代理：像 ChatGPT 這樣的 AI 可以自動回應客戶查詢，處理訂單或解決問題，而無需真人客服介入。
L112 資料處理與分析概念 (Data Processing & Analysis Concepts)
標註資料 (Labeled Data)
解釋: 包含輸入特徵及其對應正確輸出的訓練數據。
範例: 帶有患者症狀和醫生診斷結果的醫療記錄。
比喻: 就像有答案的練習題，提供問題和正確解答供學習參考。
沒有標籤的輸入資料 (Unlabeled Data)
解釋: 僅包含特徵但沒有對應標籤的數據。
範例: 網絡上的圖片集、用戶行為日誌。
比喻: 像是一堆沒有分類的照片，你可以看到內容但沒有告訴你這些照片應該如何歸類。
大數據 (Big Data)
解釋: 指體量龐大、種類繁多、處理速度要求高的數據集合。
範例: 社交媒體每天產生的數十億條內容和互動。
比喻: 如同一個數字海洋，其規模超過傳統工具能處理的範圍。
5V 特性
Volume (數量): 數據的巨大規模和體量。範例: YouTube 每分鐘上傳 500 小時的視頻內容。比喻: 如同圖書館中的藏書量從數千本增加到數十億本。
Velocity (速度): 數據產生、處理和分析的速度。範例: 股票市場每秒產生上萬筆交易數據。比喻: 像是一條永不停息的高速流水，數據持續不斷地湧入。
Variety (多樣性): 數據類型和來源的多樣化。範例: 文本、圖像、視頻、傳感器數據等多種形式。比喻: 如同一個包含各種物品的巨大倉庫，從小到釘子，大到汽車。
Veracity (真實性): 數據的準確性、可靠性和真實性。範例: 社交媒體數據中可能包含虛假信息和噪音。比喻: 像是在小麥中分辨出雜草，確保數據的真實可靠。
Value (價值): 從數據中提取有用信息和洞見的能力。範例: 從顧客購買數據中發現消費趨勢。比喻: 如同從礦山中提煉出黃金，從海量數據中提取價值。
數據品質 (Data Quality)
解釋: 數據的準確性、完整性、一致性和可用性。
範例: 客戶資料庫中地址信息的完整與正確。
比喻: 就像食材的新鮮度，高品質的數據才能做出好的"數據料理"。
數據清洗 (Data Cleaning)
解釋: 識別並修正數據中的錯誤、缺失和不一致的過程。
範例: 移除重複記錄，填補缺失值，更正錯誤格式。
比喻: 如同清洗髒衣服，去除數據中的污垢和雜質。
數據標註 (Data Labeling)
解釋: 為原始數據添加標籤或註釋以用於機器學習的過程。
範例: 為圖像標註是"貓"還是"狗"。
比喻: 像是給圖書館中的書籍貼上分類標籤，方便後續查找和使用。
結構化資料 (Structured Data)
解釋: 有明確定義和組織方式的數據。
範例: 關聯數據庫中的表格數據，如 Excel 表格。
比喻: 如同整齊排列在貨架上的商品，每件都有固定的位置和標籤。
半結構化資料 (Semi-structured Data)
解釋: 有一定組織結構但不遵循嚴格模式的數據。
範例: JSON 和 XML 文件。
比喻: 像是有一定分類但沒有嚴格編號的圖書，可以找到但需要一些額外努力。
非結構化資料 (Unstructured Data)
解釋: 沒有預定義模型或組織方式的數據。
範例: 文本文檔、圖像、視頻、社交媒體帖子。
比喻: 如同一堆雜亂的紙張，沒有明確的分類和排序方式。
資料收集 (Data Collection)
解釋: 從各種來源獲取原始數據的過程。
範例: 通過網站表單、傳感器、API 獲取數據。
比喻: 像是農民收集各種作物，為後續加工提供原材料。
資料清理 (Data Cleaning / Cleansing)
解釋: 清除數據中的錯誤、異常和不一致。
範例: 刪除重複記錄，修正錯誤值，標準化格式。
比喻: 如同淘金過程中的篩選，去除雜質只保留有價值的部份。
資料轉換與整理 (Data Transformation and Wrangling)
解釋: 將原始數據轉換為更適合分析的形式。
範例: 將日期從文本轉換為日期類型，合併多個數據源。
比喻: 像是將原材料加工成半成品，為烹飪做準備。
特徵縮放 (Feature Scaling)
解釋: 將不同尺度的特徵調整到相似範圍的過程。
範例: 將收入從 0-1,000,000 縮放到 0-1 的範圍。
比喻: 如同讓不同身高的人站在同一個基準線上進行比較。
類別資料編碼 (Categorical Encoding)
解釋: 將類別數據轉換為數值形式以用於機器學習。
範例: 將"紅、綠、藍"轉換為[1,0,0]、[0,1,0]、[0,0,1]。
比喻: 像是將文字描述的顏色轉換成 RGB 數值，讓計算機能夠理解。
資料分析 (Data Analysis)
解釋: 檢查、處理數據以發現有用模式和結論的過程。
範例: 分析顧客購買記錄以發現消費趨勢。
比喻: 像是偵探查看線索，尋找解開謎題的關鍵信息。
探索性數據分析 (EDA)
解釋: 通過視覺化和統計方法初步探索數據特性的過程。
範例: 繪製銷售數據的直方圖以了解分佈情況。
比喻: 如同在進入未知地域前先勘察地形，了解基本情況。
資料解釋 (Data Interpretation)
解釋: 從數據分析結果中提取有意義見解的過程。
範例: 解讀客戶流失分析，找出主要原因。
比喻: 像是翻譯數字語言，將冰冷的數據轉化為有價值的故事。
數據湖 (Data Lake)
解釋: 存儲海量原始數據的中央位置，數據可以任何格式存儲。
範例: 企業集中存儲所有類型數據的系統，等待後續處理。
比喻: 像是一個巨大的水庫，收集各種水源而不預先處理。
數據倉儲 (Data Warehouse)
解釋: 為分析和報告而設計的結構化數據存儲系統。
範例: 企業集中存儲所有業務數據用於商業智能的系統。
比喻: 如同一個組織良好的倉庫，所有物品都經過分類並放在特定位置。
ETL (Extract, Transform, Load)
解釋: 從源系統提取數據、轉換後加載到目標系統的過程。
範例: 從業務系統提取交易數據，轉換格式後加載到數據倉庫。
比喻: 像是食物的採集、清洗和烹飪過程，最終成為可食用的菜餚。
數據網格 (Data Mesh)
解釋: 分散式數據管理架構，將數據視為產品並由領域專家管理。
範例: 大型企業將數據責任分配給各業務部門而非中央 IT 團隊。
比喻: 像是從中央集權轉向聯邦制，每個部門自主管理自己的數據資產。
數據編排 (Data Orchestration)
解釋: 協調和管理複雜數據工作流程的過程。
範例: 協調數據從各源系統到分析平台的流動。
比喻: 如同交響樂團指揮，確保各個部分按正確順序和時間協同工作。
內部資料 (Internal Data)
解釋: 組織內部生成和擁有的數據。
範例: 企業的銷售記錄、客戶資料、員工信息。
比喻: 像是家族相冊，記錄著組織內部的歷史和活動。
外部資料 (External Data)
解釋: 從組織外部來源獲取的數據。
範例: 市場調研報告、政府統計數據、競爭對手分析。
比喻: 如同從外界收集的情報，幫助組織了解外部環境。
開放資料 (Open Data)
解釋: 免費提供給公眾使用、再利用和重新分發的數據。
範例: 政府公開的氣象數據、交通流量信息。
比喻: 像是公共圖書館，任何人都可以訪問和利用的知識資源。
社群媒體資料 (Social Media Data)
解釋: 從社交媒體平台收集的用戶行為和內容數據。
範例: Twitter 上的話題趨勢、Facebook 用戶互動模式。
比喻: 如同社會的數字脈搏，反映人們的關注點和情緒變化。
第三方數據供應商 (Third-party Data Providers)
解釋: 專門收集、處理和銷售數據的企業。
範例: 提供消費者信用評分、市場趨勢的數據公司。
比喻: 像是數據世界的批發商，提供已經分類和整理好的信息產品。
網路爬蟲 (Web Scraping)
解釋: 自動從網站提取信息的技術。
範例: 收集電子商務網站的產品價格信息。
比喻: 像是數字世界的採集者，在網絡森林中收集有價值的資源。
數據中台 (Data Middle Platform)
解釋: 集中管理和提供數據服務的平台架構。
範例: 企業建立統一數據中台服務各業務部門。
比喻: 如同城市的中央水廠，統一處理後再分發給各個社區使用。
主數據管理 (Master Data Management, MDM)
解釋: 確保核心業務數據準確一致的流程和工具。
範例: 統一管理客戶、產品、員工等關鍵實體數據。
比喻: 像是家譜管理，確保家族成員信息的權威性和一致性。
數據目錄 (Data Catalog)
解釋: 記錄組織數據資產的詳細信息和位置的工具。
範例: 提供數據庫、表格、欄位的描述和關係。
比喻: 如同圖書館的索引系統，幫助人們快速找到所需的數據資源。
資料庫索引優化
解釋: 透過建立索引來提高資料庫查詢的速度，減少搜尋時間，特別是在大型資料庫中，這能顯著提升效能。
比喻: 就像圖書館中如果有詳細的分類索引，你就能快速找到要找的書，而不用一排排書架慢慢翻找。
範例: 電商網站有上百萬種商品，當使用者搜尋「iPhone 15」，若沒有索引，系統可能要遍歷整個資料庫才能找到對應商品。但透過索引優化，搜尋結果可以在毫秒內返回。
L113 機器學習概念 (Machine Learning Concepts)
機器學習 (Machine Learning, ML)
解釋: 使計算機能夠從數據中學習並改進的科學，無需明確編程。
範例: 垃圾郵件過濾器、語音識別、推薦系統。
比喻: 就像教一個孩子認識水果，不是告訴他具體規則，而是給他看許多水果的例子，讓他自己歸納特徵。
監督式學習 (Supervised Learning)
解釋: 從已標記的訓練數據中學習的機器學習方法。
範例: 預測房價、分類電子郵件為垃圾或非垃圾。
比喻: 如同有老師指導的學習，每次練習都會得到正確答案的反饋。
分類 (Classification)
解釋: 將輸入數據分配到預定義類別的任務。
範例: 判斷一封郵件是垃圾郵件還是正常郵件、識別圖像中的物體。
比喻: 像郵局分類信件，根據目的地將信件放入不同的郵袋。
迴歸 (Regression)
解釋: 預測連續數值輸出的任務。
範例: 房價預測、溫度預測、股票價格趨勢。
比喻: 就像估計一個人的體重，而不是簡單分類為"輕"或"重"。
標記 (Label)
解釋: 訓練數據中的目標值或分類結果。
範例: 電子郵件標記為"垃圾"或"非垃圾"，圖片標記為"貓"或"狗"。
比喻: 如同物品的價格標籤，告訴你這個物品的實際價值或類別。
非監督式學習 (Unsupervised Learning)
解釋: 從未標記數據中尋找模式和結構的學習方法。
範例: 客戶群體分析、異常檢測。
比喻: 像考古學家發掘古代文物，沒有說明書，需要通過觀察特徵和模式來理解它們的用途和關聯。
分群 (Clustering)
解釋: 將相似的數據點分組到同一群組的技術。
範例: 市場細分、文檔分類、客戶行為分析。
比喻: 就像整理衣櫃，把類似的衣服放在一起，例如將所有 T 恤分到一組，所有褲子分到另一組。
降維 (Dimensionality Reduction)
解釋: 減少數據特徵數量同時保留關鍵信息的技術。
範例: 主成分分析(PCA)、t-SNE 可視化。
比喻: 像是製作地圖，將三維的地球表面簡化為二維平面，雖有失真但保留了主要信息。
關聯規則學習 (Association Rule Learning)
解釋: 發現數據項之間關聯或相關性的方法。
範例: 超市購物籃分析、商品推薦。
比喻: 就像一位經驗豐富的店員，能夠觀察到"購買尿布的顧客往往也會購買啤酒"這類購物模式。
半監督學習 (Semi-supervised Learning)
解釋: 結合少量標記數據和大量未標記數據的學習方法。
範例: 網頁分類、語音識別。
比喻: 如同有一位老師偶爾提供指導，大部分時間學生需要自學，但有少量的範例可供參考。
強化學習 (Reinforcement Learning, RL)
解釋: 通過與環境互動和獎懲機制學習的方法。
範例: 機器人控制、遊戲 AI 如 AlphaGo。
比喻: 類似訓練寵物，做對了就給獎勵(零食)，做錯了就不獎勵，慢慢引導出正確行為。
代理人 (Agent)
解釋: 在強化學習中，能夠觀察環境、作出決策並執行行動的實體。
範例: 遊戲中的 AI 角色、自動駕駛系統。
比喻: 像是一名實習生，通過嘗試和錯誤學習如何執行任務，從反饋中不斷改進。
環境 (Environment)
解釋: 代理人所處的外部系統，提供狀態信息並對代理人的行動作出反應。
範例: 遊戲世界、模擬器、物理世界。
比喻: 就像一個遊樂場，提供各種設施（狀態）和規則，對使用者的行為有所回應。
狀態 (State)
解釋: 環境在特定時間點的完整描述或配置。
範例: 棋盤上棋子的位置、機器人各關節的角度。
比喻: 類似於拍攝環境的快照，記錄下當前所有相關信息。
行動 (Action)
解釋: 代理人可以執行的操作，改變環境狀態。
範例: 機器人向前移動、AI 玩家下棋。
比喻: 就像按下遙控器上的按鈕，每個按鈕對應不同的操作，影響電視的狀態。
獎勵 (Reward)
解釋: 環境返回給代理人的數值信號，指示行動的好壞。
範例: 遊戲中的得分、完成任務獲得的點數。
比喻: 如同成績單上的分數，高分表示表現好，低分表示需要改進。
策略 (Policy)
解釋: 代理人在給定狀態下選擇行動的方法或規則。
範例: 在圍棋中選擇最優落子位置的策略。
比喻: 類似於生活中的決策原則，如"遇到紅燈就停，遇到綠燈就行"。
遷移學習 (Transfer Learning)
解釋: 將一個任務學到的知識應用到相關但不同的任務上。
範例: 用識別貓狗的模型幫助識別獅子和老虎。
比喻: 就像學會騎自行車後更容易學會騎摩托車，因為基本平衡和操控技能可以遷移。
元學習 (Meta-Learning)
解釋: "學習如何學習"的方法，能夠快速適應新任務。
範例: 少樣本學習系統，能從幾個例子中快速學習。
比喻: 如同學會了學習方法的學生，面對新科目能夠迅速掌握核心知識，而不需要從頭學起。
自監督學習 (Self-Supervised Learning)
解釋: 從數據本身自動生成監督信號的學習方法。
範例: 預測文本中被遮蓋的詞、預測圖像缺失部分。
比喻: 像是自學成才的學生，通過閱讀書籍先遮住某些內容，然後根據上下文猜測遮住的部分，再進行自我檢驗。
集成學習 (Ensemble Learning)
解釋: 組合多個模型以獲得更好預測性能的技術。
範例: 隨機森林、投票分類器、梯度提升。
比喻: 就像請多位醫生會診，綜合各自專業意見做出更準確的診斷，避免單一醫生的錯誤判斷。
隨機森林 (Random Forest)
解釋: 由多個決策樹組成的集成學習方法，通過投票或平均得出結果。
範例: 預測客戶流失、疾病診斷。
比喻: 就像一個由多位專家組成的委員會，每位專家（決策樹）基於稍微不同的經驗做出判斷，最終取多數意見。
梯度提升樹 (Gradient Boosting, e.g., XGBoost)
解釋: 順序建立弱學習器，每個新學習器修正前一個的錯誤的集成方法。
範例: 房價預測、點擊率預測。
比喻: 像團隊接力賽，每個隊員（弱學習器）都試圖彌補前一個隊員的不足，最終團隊整體表現優於任何任何個人。
貝葉斯網路 (Bayesian Networks)
解釋: 通過有向無環圖表示變量間概率關係的模型。
範例: 醫療診斷系統、風險評估。
比喻: 如同追蹤線索的偵探，根據已知信息和各種可能性之間的關聯推斷未知事實的可能性。
支持向量機 (Support Vector Machine, SVM)
解釋: 尋找能將不同類別數據分隔開的最佳邊界的分類算法。
範例: 文本分類、圖像識別。
比喻: 就像在混合人群中劃一條最公平的界限，使得兩組人分得越開越好，並保留一定的安全距離。
K-近鄰算法 (K-Nearest Neighbors, KNN)
解釋: 基於最接近的訓練樣本進行分類或迴歸的技術。
範例: 推薦系統、圖像分類。
比喻: 類似於"告訴我你的朋友是誰，我就能告訴你你是什麼樣的人"，通過觀察最相似的已知樣本來判斷未知樣本的特性。
多任務學習 (Multi-task Learning)
解釋: 同時學習多個相關任務以提高每個任務性能的方法。
範例: 同時預測用戶的年齡、性別和興趣。
比喻: 像是一個同時學習多門相關課程的學生，學習物理可以幫助理解數學，反之亦然。
主動學習 (Active Learning)
解釋: 算法主動選擇最有價值的訓練數據進行標注的學習方法。
範例: 文檔分類、圖像識別中的數據選取。
比喻: 像一個好學生，不是被動接受所有教材，而是主動問老師最困惑的問題以最高效地學習。
增量學習 (Incremental Learning)
解釋: 能夠從新數據持續學習而不忘記之前學到知識的方法。
範例: 在線推薦系統、不斷更新的垃圾郵件過濾器。
比喻: 就像不斷擴展知識的學生，在保留已學知識的同時，能夠融入新的學習內容。
知識蒸餾 (Knowledge Distillation)
解釋: 將大型複雜模型的知識轉移到小型簡單模型的技術。
範例: 將大型語言模型知識壓縮到移動設備可運行的小模型。
比喻: 像是一位資深教授將多年專業知識濃縮成簡潔教材，使學生能更容易理解複雜概念。
(重複)
課程學習 (Curriculum Learning)
解釋: 按難度遞增順序組織訓練數據的學習策略。
範例: 語言學習系統從簡單詞彙到複雜語法漸進學習。
比喻: 就像學校教育，先教簡單的加減法，然後是乘除法，最後才是微積分，循序漸進。
高斯過程 (Gaussian Processes)
解釋: 基於概率分布的非參數機器學習方法，常用於迴歸和分類。
範例: 時間序列預測、空間數據建模。
比喻: 類似於繪製地圖，根據有限的測量點，推測出整個地形的可能分布及其不確定性。
決策樹 (Decision Trees)
解釋: 模擬決策過程的樹狀模型，每個節點代表一個特徵測試。
範例: 貸款審批、醫療診斷流程。
比喻: 如同玩"猜人物"遊戲，通過一系列是/否問題（"戴眼鏡嗎？"、"是女性嗎？"）縮小可能範圍。
主成分分析 (Principal Component Analysis, PCA)
解釋: 將高維數據轉換為更低維表示的技術，保留最重要的特徵。
範例: 圖像壓縮、基因表達數據分析。
比喻: 就像將複雜的交響樂簡化為幾個主要樂器的演奏，雖然失去了一些細節，但保留了音樂的核心結構。
(重複)
深度學習 (Deep Learning, DL)
解釋: 機器學習的一個子領域，使用多層神經網絡來學習資料中的模式。
範例: 圖像識別系統、語音助手、自動翻譯服務。
比喻: 若傳統程式是按照固定食譜烹飪，深度學習則是廚師通過嘗試各種食材和烹調方法，自己摸索出最佳配方。
深度神經網路 (DNN)
解釋: 包含多個隱藏層的神經網路，「深度」指的是網路中層的數量。
範例: 用於自動駕駛的視覺系統、醫學圖像診斷模型。
比喻: 一個複雜的生產線，每一層都對原始材料（數據）進行不同層次的加工，最終產出成品（預測結果）。
感知器 (Perceptron) / 神經元 (Neuron)
解釋: 神經網路的基本單元，模仿生物神經元的功能，接收多個輸入信號並產生輸出。
範例: 單一神經元可以實現簡單的二分類，如判斷一個點在直線上方或下方。
比喻: 就像大腦中的神經元接收其他神經元的信號並決定是否「發射」一樣。
輸入層 (Input Layer)
解釋: 神經網路的第一層，接收原始資料。
範例: 手寫數字識別中，輸入層接收 28x28 像素的圖像資料。
比喻: 就像人體的感官系統（眼、耳、鼻、舌、身），接收外部世界的訊息。
隱藏層 (Hidden Layer)
解釋: 位於輸入層和輸出層之間的層，負責提取特徵。
範例: 在人臉識別系統中，早期隱藏層可能識別邊緣和紋理，而後期隱藏層則識別眼睛、鼻子等特徵。
比喻: 就像人類思考過程中的中間步驟，我們看不見但對最終結論至關重要。
輸出層 (Output Layer)
解釋: 神經網路的最後一層，產生最終預測結果。
範例: 垃圾郵件過濾器的輸出層可能只有一個神經元，輸出郵件是垃圾郵件的概率。
比喻: 就像解題過程中寫下的最終答案。
全連接 (Fully Connected)
解釋: 一種網路層結構，其中每個神經元都與前一層的所有神經元相連。
範例: 圖像分類網路的最後幾層通常是全連接層，將特徵映射到類別。
比喻: 就像一個完全開放的辦公室，每個員工都可以直接與其他所有員工交流信息。
激活函數 (Activation Function)
解釋: 神經元中決定輸出信號強度的函數，引入非線性。
範例: ReLU 函數將負值轉為零，正值保持不變；Sigmoid 函數將任何值壓縮到 0-1 之間。
比喻: 激活函數就像是神經元的「開關」，決定信號是否傳遞以及傳遞的強度。
反向傳播 (Backpropagation)
解釋: 通過計算梯度來更新網路權重的算法。
範例: 當圖像識別模型誤將貓識別為狗時，錯誤信號反向傳播調整各層權重。
比喻: 就像學生寫錯答案後，老師從最終答案開始，逐步指出每一步驟的改進方向。
損失函數 (Loss Function)
解釋: 衡量模型預測值與真實值差距的函數。
範例: 回歸問題中的均方誤差(MSE)、分類問題中的交叉熵損失。
比喻: 損失函數就像是模型的「成績單」，分數越低表示模型表現越好。
優化 (Optimization)
解釋: 調整模型參數以最小化損失函數的過程。
範例: 隨機梯度下降(SGD)、Adam 優化器等方法。
比喻: 可以想像成登山者試圖找到山谷的最低點，每次都朝著當前位置最陡的方向前進。
卷積神經網路 (CNN)
解釋: 專門用於處理網格狀資料（如圖像）的神經網路。
範例: 人臉識別系統、自動駕駛中的路況分析、醫學影像診斷。
比喻: 就像人類觀察畫作，先關注局部細節（如眼睛、鼻子），再組合成完整印象。
循環神經網路 (RNN)
解釋: 處理序列資料的神經網路，具有「記憶」能力。
範例: 語音識別、機器翻譯、股票價格預測。
比喻: 就像閱讀小說，我們理解當前句子時會考慮前文內容。
模型壓縮 (Model Compression)
解釋: 減小模型大小同時盡量保持性能的技術。
範例: 將移動設備上的語音助手從幾 GB 壓縮到幾 MB 大小。
比喻: 就像將一本厚重的百科全書濃縮成袖珍版，盡管體積小了，但主要知識仍然保留。
(重複)
量化 (Quantization)
解釋: 降低表示模型參數所需位數的技術。
範例: 將 32 位浮點數權重轉換為 8 位整數，減少模型大小和推理時間。
比喻: 就像使用簡化符號記錄樂譜，雖然失去一些精度，但大大節省空間並加快演奏速度。
(重複)
模型剪枝 (Model Pruning)
解釋: 移除神經網路中不重要連接的過程。
範例: 移除絕對值小於閾值的權重，將網路稀疏化。
比喻: 就像園丁修剪樹枝，去除多餘部分使樹木生長更健康高效。
(重複)
批次正規化 (Batch Normalization)
解釋: 一種規範化層間數據分佈的技術，加速訓練並提高穩定性。
範例: 在卷積層或全連接層後添加批次正規化層，標準化特徵分佈。
比喻: 就像每個生產線環節都對產品進行標準化處理，確保下一環節能正常工作。
梯度消失/爆炸 (Vanishing/Exploding Gradients)
解釋: 深度網路訓練中梯度變得極小或極大的問題，阻礙模型學習。
範例: 使用 Sigmoid 激活函數的深層網路中，後層梯度可能變得極小。
比喻: 就像傳話遊戲，信息在傳遞多人後可能變得極其微弱（梯度消失）或被嚴重扭曲（梯度爆炸）。
跳接連結 (Skip Connections)
解釋: 將前層直接連接到後層的連結，繞過中間層。
範例: ResNet 中的恆等映射，U-Net 中的跳接連接。
比喻: 就像高速公路上的快速通道，繞過擁堵區域直達目的地，使信息能夠更直接地從早期層傳遞到後期層。
對比學習 (Contrastive Learning)
解釋: 一種自監督學習方法，通過對比相似和不相似的樣本來學習表示。
範例: SimCLR 模型通過將圖像的不同增強版本視為相似樣本，其他圖像為不相似樣本進行學習。
比喻: 就像學習識別雙胞胎，通過比較他們的相似點和差異點來區分。
聯邦學習 (Federated Learning)
解釋: 在保留數據隱私的前提下進行分散式機器學習的方法。
範例: 多家醫院合作訓練醫療 AI，但不共享患者數據。
比喻: 如同學生在各自的教室學習，只交換知識和見解而非原始資料。
MLOps (機器學習維運)
解釋: 將 DevOps 原則應用於機器學習系統的生命週期管理。
範例: 自動化模型訓練、驗證、部署和監控流程。
比喻: 如同工廠的自動化生產線，使 AI 從開發到部署的過程更加高效和可靠。
模型漂移/衰退 (Model Drift)
解釋: AI 模型隨時間推移性能下降的現象，通常由輸入數據或環境變化導致。
範例: 消費者購物行為在疫情期間急劇變化，導致原有推薦系統準確率下降 40%。
比喻: 如同指南針在磁場干擾區域逐漸失準，需要定期校正以維持可靠性。
過度擬合 (Overfitting)
解釋: 當機器學習模型在訓練數據上表現很好，但在新數據上表現不佳時，就稱為「過度擬合」。這通常發生在模型學習了太多訓練數據的細節與噪音，導致泛化能力下降。
比喻: 就像學生死記硬背考試題目，但沒有理解概念，因此無法應對新的考題。
範例: 一個圖像辨識模型學會了記住訓練數據中的每張圖片，而不是學習通用特徵。當給它一張新圖片時，它無法正確分類。
人類反饋強化學習 (Reinforcement Learning from Human Feedback, RLHF)
解釋: 這是一種機器學習技術，讓 AI 透過人類的回饋來學習。例如，人類標註哪些 AI 回應較好，然後用這些回饋來調整 AI 行為。
比喻: 像是訓練寵物，當狗狗做對了動作（如「坐下」），主人會獎勵牠，使其學會重複這個行為。
範例: ChatGPT 的訓練過程中，AI 會生成不同版本的回答，然後由人工標註哪個比較好，幫助 AI 學習如何更貼近人類的回應方式。
端到端機器學習 (End-to-End Machine Learning)
解釋: 端到端學習指的是 AI 直接從原始數據輸入到最終輸出，不需要手動特徵工程。例如，自動駕駛模型直接從攝影機影像輸入，到輸出方向盤轉動角度。
比喻: 像是自動駕駛汽車不依賴預定規則，而是透過學習直接從「攝影機畫面」到「轉向決策」。
範例: 語音辨識系統直接從「音訊輸入」轉換為「文字輸出」，而不依賴手動定義的語音特徵。
ROC (Receiver Operating Characteristic，接收者操作特徵曲線)
解釋: ROC 曲線用來衡量分類模型的性能，通過比較「真正例率（TPR）」與「假正例率（FPR）」來評估模型的判別能力。
比喻: 像是醫療檢測中，ROC 曲線可以幫助醫生調整閾值，決定是要「更敏感」（減少漏診），還是「更精準」（避免誤診）。
範例: 在 COVID-19 快篩測試中，ROC 曲線可用來評估測試的靈敏度（能否正確檢測陽性）與特異度（能否避免誤判陰性）。
AUC (Area Under Curve，曲線下面積)
解釋: AUC 是 ROC 曲線下的面積，數值介於 0 到 1 之間，數值越高代表分類模型的整體性能越好。
比喻: 就像評估球員的表現，AUC = 1 代表完美的選手，AUC = 0.5 代表表現與隨機猜測沒兩樣。
範例: 如果一個垃圾郵件分類器的 AUC = 0.9，代表它能夠很好地區分垃圾郵件與正常郵件。
梯度下降 (Gradient Descent)
解釋: 梯度下降是一種優化算法，用來調整神經網絡的參數，使損失函數逐步減小，從而讓模型更準確。
比喻: 像是登山者要找到山谷（最低點），他們會沿著坡度最陡的方向往下走，以最快的方式找到最低點。
範例: 在訓練 AI 影像辨識模型時，梯度下降會逐步調整權重，使模型學習到最佳的邊緣與顏色特徵，提升辨識能力。
推理模型 (Inference Model)
解釋: 推理模型是 AI 或機器學習系統在訓練完成後，根據新的輸入資料來進行預測或推理的過程。
比喻: 如果 AI 是一位「數學老師」，那麼：訓練階段
就像老師學習教材和解題技巧；推理階段 則是老師在考試時，根據題目來解答。
範例: 語音識別 → Siri 在聽到你的語音後，推理你說的是什麼並執行指令。
L114 鑑別式AI與生成式AI概念 (Discriminative & Generative AI Concepts)
零樣本學習 (Zero-shot Learning)
解釋: 能夠識別訓練中未見過的類別的學習方法。
範例: 能夠識別未訓練過的動物種類的系統。
比喻: 如同從未見過斑馬但通過"像馬但有黑白條紋"的描述就能識別出斑馬的能力。
Transformer 模型
解釋: 一種基於自注意力機制的神經網路架構，特別適合處理序列資料。
範例: BERT、GPT 等語言模型，用於機器翻譯、文本摘要、問答系統。
比喻: Transformer 就像一個高效的會議系統，所有與會者可以同時關注所有其他人的發言，根據相關性分配注意力。
多模態模型
解釋: 能夠處理多種不同類型資料（如文字、圖像、音頻）的模型。
範例: 能將圖片轉為文字描述的系統、根據文字生成圖像的模型。
比喻: 就像一個既能看懂文字、又能理解圖片和聽懂語音的助手。
注意力機制 (Attention Mechanism)
解釋: 讓模型能夠選擇性地關注輸入的特定部分。
範例: 機器翻譯中，翻譯某個詞時會特別關注源語言中最相關的詞。
比喻: 就像我們在嘈雜的環境中仍能專注聽取特定人的聲音（雞尾酒會效應）。
自注意力 (Self-Attention)
解釋: 一種注意力機制，讓序列中的每個元素能夠關注同一序列中的其他元素。
範例: 分析「蘋果公司的股票」時，「蘋果」一詞的含義受到「公司」和「股票」的影響。
比喻: 就像一個句子中的每個詞都在考慮其他詞來理解自己的上下文含義。
生成式預訓練 (Generative Pre-training, e.g., GPT)
解釋: 先通過預測下一個詞等任務進行無監督學習，再針對特定任務進行微調的訓練方法。
範例: GPT 模型先在大量文本上預訓練，再針對摘要、問答等任務微調。
比喻: 就像先廣泛閱讀積累知識，再專攻特定領域。
生成式 AI (Generative AI, GAI)
解釋: 能夠創造新內容（如文字、圖像、音樂）的人工智能系統。
範例: ChatGPT 生成文章、DALL-E 創建圖像、Stable Diffusion 製作藝術作品。
比喻: 就像一位創作者，給它一個想法，它能創造出前所未有的作品。
大型語言模型 (Large Language Model, LLM)
解釋: 通過大量文本數據訓練的大規模神經網絡，能夠理解和生成人類語言。
範例: GPT-4、Claude、Llama、PaLM 等。
比喻: 就像一位讀過數百萬本書的學者，能夠回答問題、寫作和進行對話。
擴散模型 (Diffusion Models)
解釋: 通過逐步添加噪聲然後學習逆轉這個過程來生成數據的模型。
範例: 用於生成高品質圖像、音頻或其他類型數據的模型。
比喻: 像是一位藝術家先將畫布弄得模糊不清，然後一步步清晰化，最終呈現完整畫作。
穩定擴散 (Stable Diffusion)
解釋: 一種流行的開源擴散模型，用於生成高質量圖像。
範例: 根據文字描述生成藝術作品、產品設計或概念圖。
比喻: 就像一位能根據口頭描述創作出視覺藝術的畫家。
DALL-E
解釋: OpenAI 開發的文本到圖像生成模型，能將文字描述轉換為圖像。
範例: 根據「穿著太空服的貓站在月球上」生成相應圖像。
比喻: 如同一位能瞬間將你描述的場景畫出來的魔法畫家。
生成對抗網路 (GANs)
解釋: 由生成器和判別器兩個網絡組成的系統，通過對抗訓練生成逼真數據。
範例: 生成逼真的人臉圖像、藝術風格轉換。
比喻: 像是一對藝術家和評論家，藝術家不斷創作，評論家不斷挑剔，藝術家因此不斷進步。
變分自編碼器 (VAEs)
解釋: 學習數據的壓縮表示並能從這些表示生成新數據的模型。
範例: 圖像生成、插值和操作潛在空間以創建新變體。
比喻: 就像學會了物體的「本質」，能夠根據這些本質特徵創造新物體。
自迴歸模型 (Autoregressive Models, e.g., PixelRNN)
解釋: 根據先前生成的內容來預測和生成序列中下一個元素的模型。
範例: 語言模型預測下一個詞、PixelRNN 逐像素生成圖像。
比喻: 就像寫小說的作家，根據已寫的內容來決定下一句話。
流動基礎模型 (Flow-based Models)
解釋: 使用一系列可逆變換來建模複雜分佈的生成模型。
範例: Glow 模型用於高分辨率圖像生成。
比喻: 像是將簡單的黏土（簡單分佈）通過一系列可逆變形形成複雜的雕塑（複雜分佈）。
幻覺 (Hallucination)
解釋: AI 生成看似合理但實際不準確或完全虛構的內容。
範例: 生成不存在的研究引用、虛構的歷史事件或不正確的技術說明。
比喻: 就像做夢時創造出來的情節，看起來合理但醒來後發現並不存在。
上下文窗口 (Context Window)
解釋: AI 模型一次能處理的最大輸入文本量。
範例: GPT-4 有 32K token 的上下文窗口，可處理約 24,000 字英文。
比喻: 就像 AI 的「短期記憶」容量，決定它一次能「記住」多少內容。
微調 (Fine-tuning)
解釋: 在預訓練模型基礎上使用特定任務的數據進一步訓練，使模型適應特定領域或任務。
範例: 將通用語言模型微調為醫療問答系統。
比喻: 就像讓通才學者專注學習一個特定領域，成為該領域專家。
LoRA (Low-Rank Adaptation)
解釋: 一種參數高效的微調方法，只訓練少量參數而非整個模型。
範例: 用幾千個參數微調大型圖像生成模型以適應特定風格。
比喻: 就像給汽車換輪胎而非重造整車，用最小改動達到特定需求。
鑑別式 AI (Discriminative AI)
解釋: 專注於區分或分類的 AI 系統，學習輸入數據與標籤之間的映射。
範例: 垃圾郵件過濾器、圖像分類器、情感分析模型。
比喻: 就像一位審判員，專注於判斷事物屬於哪一類別。
多模態生成 (Multimodal Generation)
解釋: 能夠生成多種形式（如文本、圖像、音頻）內容的 AI 系統。
範例: 根據文本生成圖像和音頻的多模態助手。
比喻: 就像全才藝術家，既能寫詩，又能作畫和作曲。
條件式生成 (Conditional Generation)
解釋: 根據特定條件或約束生成內容的技術。
範例: 根據心情標籤生成相應風格的音樂。
比喻: 就像廚師根據顧客的口味偏好定制菜肴。
掩碼語言建模 (Masked Language Modeling)
解釋: 通過預測被遮蓋的詞來訓練語言模型的技術。
範例: BERT 模型預訓練中使用的主要任務。
比喻: 就像填空題練習，學習猜測缺失的詞語。
文本生成 (Text Generation)
解釋: 讓 AI 系統創作出人類可讀的文本內容的技術。
範例: ChatGPT 能夠生成新聞文章、故事、詩歌等。
比喻: 像是一位能根據提示不斷創作的作家，只是這位作家是數學模型。
語言模型 (Language Model)
解釋: 預測文本中單詞出現概率分布的數學模型。
範例: GPT 模型可以根據前文預測下一個可能出現的詞。
比喻: 如同從閱讀大量書籍中學會了文字的規律，能夠猜測句子的合理延續。
(重複)
BERT (Bidirectional Encoder
Representations from Transformers)
解釋: 雙向學習上下文的預訓練語言模型，可以理解詞語在不同上下文中的含義。
範例: 理解"他去銀行取錢"和"他去河岸邊的銀行釣魚"中"銀行"的不同含義。
比喻: 如同一個不僅看前文也看後文的讀者，能夠更全面地理解每個詞在句子中的含義。
文本到圖像 (Text-to-Image)
解釋: 將文本描述轉換為相應圖像的 AI 技術。
範例: DALL-E、Midjourney、Stable Diffusion。
比喻: 就像能將腦中想象變為現實畫面的魔法畫筆。
長上下文處理 (Long Context Processing)
解釋: AI 處理長篇文本或長時間交互的能力。
範例: 能分析整本書或長文檔的語言模型。
比喻: 就像能記住整部小說情節的讀者，而不只是記住當前頁面。
圖像生成/合成
解釋: 創建新的、逼真的圖像的技術。
範例: 生成虛擬角色、產品設計概念圖、藝術創作。
比喻: 就像數字畫家，能憑空創造出從未存在過的視覺內容。
(重複)
風格轉換
解釋: 將一幅圖像的視覺風格應用於另一幅圖像的技術。
範例: 將照片轉換為梵高風格的畫作、季節轉換（夏天到冬天）。
比喻: 就像魔術師把普通照片變成特定藝術家風格的畫作。
(重複)
檢索 (Retrieval) 與記憶 (Memory)
解釋: AI 系統從外部資源獲取信息或存儲過往交互的能力。
範例: 檢索增強生成系統、具有對話歷史記憶的聊天機器人。
比喻: 就像人類查閱參考資料和使用個人記憶的結合。
L121 No-Code 與 Low-Code 概念 (No-Code & Low-Code Concepts)
No-Code
解釋: 不需編寫程式碼即可開發應用程序的平台。
範例: 使用拖放界面設計網站或移動應用。
比喻: 如同積木搭建，即使不懂建築也能創造出結構。
Low-Code
解釋: 主要通過視覺化界面開發，僅需少量編碼的平台。
範例: 使用視覺化工具設計流程，僅在特定功能寫少量代碼。
比喻: 像是半自動烹飪，大部分過程自動化但關鍵調味需手動介入。
公民開發者 (Citizen Developer)
解釋: 非專業程序員但使用低/無代碼工具創建應用的業務人員。
範例: 市場部門員工使用 Power Apps 創建客戶調查應用。
比喻: 如同家庭裝修 DIY 愛好者，不是專業工人但能完成基本項目。
視覺化開發環境 (VDE)
解釋: 使用圖形界面而非純文本代碼進行開發的環境。
範例: 使用流程圖設計應用邏輯而非寫程式碼。
比喻: 像是用藍圖設計房屋，比起直接用文字描述更直觀易懂。
抽象化 (Abstraction)
解釋: 隱藏複雜技術細節，提供簡化界面的過程。
範例: 將複雜的資料庫操作簡化為"保存資料"按鈕。
比喻: 如同汽車儀表盤，駕駛者不需了解引擎內部工作原理就能駕駛。
模型驅動開發 (Model-Driven Development)
解釋: 以模型為中心，自動生成程式碼的開發方法。
範例: 從數據模型自動生成 CRUD（增刪改查）操作。
比喻: 像是從建築藍圖自動生成施工說明，模型決定最終結果。
組件/模板 (Components/Templates)
解釋: 預先構建的可重用功能模塊。
範例: 拖放式表單、圖表或用戶認證組件。
比喻: 如同樂高積木，預製的標準部件可以組裝成不同的結構。
流程自動化 (Workflow Automation, e.g., Zapier)
解釋: 自動化重複性業務流程的工具。
範例: 自動將新電子郵件附件保存到雲端並通知團隊。
比喻: 像是多米諾骨牌，一個動作自動觸發一系列後續反應。
Bubble (No-Code 開發平台)
解釋: 一個無代碼網頁應用開發平台。
範例: 使用 Bubble 創建具有數據庫和用戶認證的完整網站。
比喻: 如同數字世界的積木玩具，讓非技術人員也能搭建複雜的應用。
Microsoft Power Platform
解釋: 微軟的低代碼開發和業務智能平台套件。
範例: 結合 Power Apps、Power BI、Power Automate 創建業務解決方案。
比喻: 像是瑞士軍刀，一套工具解決多種業務需求，從數據分析到應用開發。
L122 生成式AI應用領域與工具使用 (GAI Application Areas & Tool Usage)
提示 (Prompt)
解釋: 給予 AI 模型的輸入指令或信息，引導模型生成特定輸出。
範例: 「寫一篇關於太空探索的短文」是給語言模型的提示。
比喻: 就像給藝術家的創作主題或方向，決定最終作品的風格和內容。
提示工程 (Prompt Engineering)
解釋: 設計和優化提示以獲得 AI 模型最佳輸出的技術。
範例: 將複雜任務分解成步驟、提供示例、明確指定格式等技巧。
比喻: 如同與 AI 對話的藝術，找到最有效的溝通方式以獲得理想結果。
零樣本提示 (Zero-shot Prompting)
解釋: 不提供任何示例，直接讓模型執行從未明確訓練過的任務。
範例: 直接請模型「將這段文字翻譯成法語」，即使沒有給它翻譯示例。
比喻: 就像要求學生完成一種從未練習過的題型，純靠理解力和舉一反三的能力。
少樣本提示 (Few-shot Prompting)
解釋: 在提示中提供幾個示例，引導模型理解任務並按照類似方式回應。
範例: 提供幾對英語-法語翻譯示例，然後要求翻譯新句子。
比喻: 像是給學生做幾道示範題，然後讓他們完成類似的習題。
思維鏈提示 (Chain-of-Thought, CoT)
解釋: 引導模型展示思考過程的提示技術，而非直接給出答案。
範例: 「思考步驟：」引導模型分步驟解決數學問題。
比喻: 就像教學生「解題過程」，而不僅僅是要答案。
檢索增強生成 (RAG)
解釋: 結合檢索系統和生成模型，從外部知識庫獲取信息並生成回應。
範例: 問答系統先檢索相關資料，然後基於檢索結果生成回答。
比喻: 就像一位作家在寫作前先查閱資料，確保內容準確且信息豐富。
(L114 也有提及，此處側重應用)
提示注入攻擊 (Prompt Injection)
解釋: 通過精心設計的提示誤導 AI 繞過安全限制或執行非預期操作。
範例: 在文檔中嵌入指令使 AI 忽略原始安全指令。
比喻: 就像社會工程學攻擊，讓 AI「上當」做出非預期行為。
文本到視頻 (Text-to-Video)
解釋: 將文本描述轉換為動態視頻的 AI 技術。
範例: Gen-2、Runway、Pika Labs 等工具。
比喻: 如同一位能根據故事簡介創作短片的導演。
文本到語音 (Text-to-Speech)
解釋: 將文本轉換為自然人聲的 AI 技術。
範例: ElevenLabs、Google Text-to-Speech、Apple 的 Siri 語音。
比喻: 就像一位能將書籍朗讀出來的專業配音員。
鏈式思考 (Chain of Thought)
解釋: 模型逐步推理解決問題的能力或技術。
範例: 分步解決數學問題、邏輯推理或複雜決策問題。
比喻: 就像偵探解謎，通過一系列推理步驟最終得出結論。
(與 CoT Prompting 相關)
Function Call (函式調用)
解釋: 指 AI（特別是大型語言模型）可以根據用戶輸入，自動選擇並執行特定的 API 或函式，以獲取準確的資訊或執行任務。
比喻: 就像是一個智能助理，當你說「請幫我查天氣」，它會自動呼叫「天氣 API」，而不是單純產生文字回應。
範例: ChatGPT 內建 Function Call 功能，當用戶問「幫我查台北 101 的票價」，它會自動調用旅遊 API 來提供最新資訊，而不只是從內部知識庫回答。
AutoGPT：自主 AI 代理的代表
解釋: AutoGPT 是一種自主 AI 代理（Autonomous AI Agent），能夠根據用戶輸入的目標，自動拆解任務、規劃步驟，並執行一系列行動，而不需要人類反覆介入。它的核心目標是讓 AI 具備更高的自主性，不僅能產生答案，還能主動執行任務，如搜尋資訊、生成內容、編寫代碼，甚至與 API 交互。
比喻: 就像一個「全能虛擬助理」，你只需要告訴它
「我想創建一個成功的科技部落格」，它就會：1.
研究市場趨勢（搜尋 Google）；2. 選定熱門主題（分析關鍵字）；3. 撰寫部落格文章（使用 GPT 生成內容）；4. 發布到網站（與 WordPress API 互動）；5. 優化 SEO（分析排名、修改文章）。
範例: (同上比喻中的步驟)
Canvas (OpenAI 協作功能)
解釋: CANvas 是 ChatGPT 的一項協作白板功能，讓使用者與 AI 或他人共同編輯文件、規劃想法、整理資訊。目前屬於 OpenAI ChatGPT 的內建產品功能，而非通用 AI 術語。
比喻: CANvas 就像是「智慧版 Google Docs + 思維導圖」，不只能讓你打字寫想法，還能透過 AI 自動整理重點、生成代辦事項、畫架構圖。
範例: 與同事協作規劃一份專案時程表；與 ChatGPT 一起頭腦風暴創業點子，AI 自動建構分類；記錄 AI 給你的建議，轉成看板或表格。
L123 生成式AI導入評估規劃 (GAI Adoption Evaluation & Planning)
決策應用 (Decision Application)
解釋: 將數據分析結果用於指導實際決策的過程。
範例: 根據銷售預測調整庫存策略。
比喻: 如同駕駛員根據導航儀的指示選擇最佳路線。
AI 治理 (AI Governance)
解釋: 管理 AI 系統開發、部署和使用的政策、規範和實踐框架。
範例: 企業設立 AI 倫理委員會審核所有 AI 專案。
比喻: 如同交通規則，為 AI 技術的發展和應用提供必要的指導和約束。
負責任 AI (Responsible AI)
解釋: 確保 AI 系統開發和使用符合倫理標準和社會價值的方法。
範例: 開發面部識別系統時確保跨不同種族的準確率均衡。
比喻: 像是給 AI 裝上道德指南針，引導其在正確的方向上發展。
公平性 (Fairness)
解釋: 確保 AI 系統不偏袒或歧視特定群體的原則。
範例: 貸款審批演算法對不同性別、種族給予同等待遇。
比喻: 如同蒙眼的正義女神，不因身份差異而區別對待。
可靠性與安全性 (Reliability & Safety)
解釋: AI 系統穩定運行並避免造成傷害的能力。
範例: 自動駕駛汽車在各種路況和天氣條件下安全運行。
比喻: 像是飛機的安全系統，有多重保障確保即使在異常情況下也能安全運行。
隱私與保密性 (Privacy & Security)
解釋: 保護用戶數據不被未授權訪問和使用的原則。
範例: 醫療 AI 只處理匿名化後的患者數據。
比喻: 如同保險箱，只有獲得許可的人才能訪問內部信息。
包容性 (Inclusiveness)
解釋: 確保 AI 系統設計考慮到不同群體的需求和特點。
範例: 語音助手能夠理解不同口音和方言。
比喻: 像是為所有人設計的公共建築，無論身高、年齡或能力如何都能便利使用。
透明度 (Transparency)
解釋: AI 系統決策過程和結果的可見性和可理解性。
範例: 向用戶解釋推薦系統為何推薦特定產品。
比喻: 如同透明的玻璃房子，人們可以看到內部運作的方式。
責任 (Accountability)
解釋: 對 AI 系統行為和決策負責的原則。
範例: 明確界定 AI 醫療診斷輔助系統的責任歸屬。
比喻: 像是駕駛執照制度，明確誰應對車輛行為負責。
演算法偏見 (Algorithmic Bias)
解釋: AI 系統在決策過程中表現出的系統性偏見或不公平。
範例: 招聘 AI 對女性申請人的系統性歧視。
比喻: 像是戴著有色眼鏡看世界，對某些群體的判斷不夠客觀。
可解釋 AI (Explainable AI, XAI)
解釋: 使 AI 決策過程更加透明和可理解的技術。
範例: 提供視覺化解釋銀行為何拒絕貸款申請。
比喻: 如同醫生不僅給出診斷結果，還詳細解釋診斷原因和治療建議。
AI 審計 (AI Auditing)
解釋: 評估 AI 系統合規性和性能的系統性檢查。
範例: 第三方機構評估人臉識別系統的偏見和精確度。
比喻: 像是食品安全檢查，確保 AI 系統符合法規和標準。
差分隱私 (Differential Privacy)
解釋: 在數據分析中保護個人隱私的數學框架。
範例: 為人口統計數據添加精確計算的噪聲以保護個體隱私。
比喻: 像是在圖書館借書記錄中添加一些假記錄，使無法確定具體是誰借了某本書。
算法監管 (Algorithmic Regulation)
解釋: 政府和機構對 AI 演算法的監督和管理。
範例: 要求金融 AI 系統定期接受公平性審查。
比喻: 像是食品藥品監管，確保市場上的 AI 產品安全可靠。
數位倫理 (Digital Ethics)
解釋: 關於數字技術開發和使用的道德原則。
範例: 討論社交媒體如何設計以最小化成癮性。
比喻: 如同現代版的道德指南針，引導數字世界中的行為選擇。
可持續 AI (Sustainable AI)
解釋: 確保 AI 發展在社會、經濟和環境方面長期可持續。
範例: 設計能在低資源設備上運行的高效 AI 模型。
比喻: 像是可再生能源，強調長期收益而非短期利益。
綠色 AI (Green AI)
解釋: 注重降低 AI 環境影響並提高能源效率的研究方向。
範例: 開發耗能更少的自然語言處理模型。
比喻: 如同節能電器，追求相同功能但更低的能源消耗。
AI 碳足跡 (AI Carbon Footprint)
解釋: AI 系統開發和運行產生的碳排放量。
範例: 大型語言模型訓練可能產生數百噸二氧化碳。
比喻: 像是汽車的油耗指標，反映 AI 對環境的影響程度。
社會技術系統 (Socio-technical Systems)
解釋: 考慮技術與社會因素相互作用的系統觀點。
範例: 分析 AI 系統如何改變工作場所的社會動態。
比喻: 如同生態系統，技術和人類社會相互影響、共同演化。
算法問責制 (Algorithmic Accountability)
解釋: 要求 AI 開發者對其系統的影響負責的原則。
範例: 要求社交媒體公司對其推薦算法的社會影響負責。
比喻: 像是建築師對建築安全的責任，確保 AI 系統不造成不當傷害。
AI 安全對齊 (AI Safety Alignment)
解釋: 確保 AI 系統行為與人類價值觀和意圖一致的研究領域。
範例: 設計強化學習算法避免尋找意外的獎勵捷徑。
比喻: 如同訓練導盲犬，使其不僅理解指令，更了解背後的意圖和安全考量。
資料匿名化 (Anonymization)
解釋: 移除或修改數據以防止識別個人身份的過程。
範例: 移除醫療研究數據中的姓名、身份證號碼等識別信息。
比喻: 像是在照片中模糊化臉部，使人無法識別具體是誰。
資料假名化 (Pseudonymization)
解釋: 用假名或代碼替換直接識別符的技術。
範例: 用隨機 ID 代替用戶真實姓名。
比喻: 如同作家使用筆名發表作品，隱藏真實身份但保留內容。
知情同意 (Informed Consent)
解釋: 用戶在充分了解情況下同意數據收集和使用的原則。
範例: 網站清楚說明 Cookie 用途並徵求用戶同意。
比喻: 像是簽署合同前的詳細解釋，確保雙方理解並接受條款。
資料最小化 (Data Minimization)
解釋: 僅收集和保留必要數據的原則。
範例: 只要求用戶提供完成購物所需的最少信息。
比喻: 如同極簡主義的生活方式，只保留真正需要的物品。
目的限制 (Purpose Limitation)
解釋: 只將數據用於明確說明的目的的原則。
範例: 只將郵箱地址用於訂單確認，不用於營銷。
比喻: 像是借用工具的約定，只能用於特定用途而不能挪作他用。
歐盟 GDPR
解釋: 歐盟的綜合性數據保護法規。
範例: 要求網站提供"被遺忘權"，讓用戶刪除個人數據。
比喻: 如同數字世界的憲法，為個人數據權利提供全面保障。
台灣《個人資料保護法》(PDPA / 個資法)
解釋: 台灣規範個人資料收集、處理和利用的法律。
範例: 規定企業必須告知收集個資的目的並取得同意。
比喻: 像是保護私人財產的法律，為個人數據資產提供法律屏障。
去識別化 (De-identification)
解釋: 移除資料中可識別個人身份的元素的過程。
範例: 將醫療記錄中的患者名字替換為編號。
比喻: 如同戴上面具參加舞會，保留特徵但隱藏真實身份。
加州消費者隱私法 (CCPA)
解釋: 加州的全面消費者數據隱私保護法。
範例: 賦予消費者查看並刪除企業收集的個人數據的權利。
比喻: 像是消費者在數字世界的權利法案，保障對自己數據的控制權。
健康保險可攜性和責任法案 (HIPAA)
解釋: 美國保護醫療健康信息隱私的法規。
範例: 規定醫療機構如何儲存、使用和分享患者數據。
比喻: 如同醫患間的保密協議，確保敏感健康信息得到嚴格保護。
AI 導入策略 (AI Adoption Strategy)
解釋: 組織規劃和實施 AI 技術的全面方法，包括願景制定、資源分配和實施路徑。
範例: 一家零售企業制定五年 AI 策略，先從客戶服務聊天機器人開始，逐步擴展到庫存預測和個性化推薦。
比喻: 如同建造高樓的藍圖，先打好基礎，確定每個階段的目標和所需資源，最終實現完整願景。
需求探索 (Needs Discovery)
解釋: 識別和確定組織中 AI 可解決的實際業務問題的過程。
範例: 通過與各部門主管訪談，發現人力資源部門每月花費 200 小時在簡歷篩選上，可通過 AI 自動化。
比喻: 像醫生進行全面檢查，找出真正的病症所在，而非僅關注表面症狀。
投資報酬率 (ROI)
解釋: 評估 AI 項目投資回報的指標，通常以節省成本或創造收入與投資成本的比率表示。
範例: 投資 50 萬元的客服 AI 系統，每年節省 200 萬元人力成本，ROI 為 300%。
比喻: 如同評估種子投資的收成，計算每粒種子能帶來多少倍的收穫。
AI 導入藍圖 (AI Adoption Roadmap)
解釋: 分階段實施 AI 項目的詳細計劃，包括時間表、關鍵里程碑和成功指標。
範例: 第一季度完成數據基礎設施建設，第二季度進行首個 AI 原型測試，第三季度擴展到兩個部門。
比喻: 像是長途旅行的路線圖，標記出每個重要站點和預計到達時間，確保不迷路。
變革管理 (Change Management)
解釋: 幫助組織和個人順利過渡到 AI 驅動的工作方式的結構化方法。
範例: 在引入 AI 輔助診斷系統前，醫院為醫生提供培訓、示範成功案例，並建立支持渠道。
比喻: 如同將船的航向逐漸調整，而非突然急轉，確保船員能適應並跟上新方向。
AI 倫理框架 (AI Ethics Framework)
解釋: 指導 AI 系統設計和使用的道德準則，確保公平、透明、負責任的 AI 應用。
範例: 制定確保招聘 AI 系統不帶性別偏見的準則，包括定期審計和多元化訓練數據。
比喻: 像是現代社會的交通規則，確保所有 AI 系統在同一"道路"上安全、公平地運行。
數據治理 (Data Governance)
解釋: 管理數據可用性、完整性、安全性和使用方式的框架和流程。
範例: 銀行建立數據治理委員會，監督客戶數據如何被 AI 模型使用，確保符合隱私法規。
比喻: 如同圖書館的管理系統，確定誰可借閱哪些書籍，如何保護珍貴文獻，以及如何分類整理。
(L112也有提及，此處側重治理)
合規性 (Compliance)
解釋: 確保 AI 系統符合法律、法規和行業標準的過程。
範例: 醫療 AI 需遵守 HIPAA 隱私規定，金融 AI 需符合反洗錢法規。
比喻: 如同遵守交通信號燈，不管車輛多先進，都必須遵守基本規則以確保安全。
風險矩陣 (Risk Matrix)
解釋: 評估和視覺化 AI 項目風險的工具，根據影響嚴重性和發生概率分類風險。
範例: 將 AI 系統偏見風險定為「高影響、中概率」，數據泄露風險為「高影響、低概率」。
比喻: 像是氣象預報中的風暴警告地圖，顯示哪些區域可能發生危險以及危險程度。
AIGO (AI GO)
解釋: AI 導入全面指南，幫助組織系統性地評估、計劃和實施 AI 解決方案。 (此處指經濟部產業發展署的指引)
範例: 使用 AIGO 框架評估公司 AI 成熟度，識別差距並制定行動計劃。
比喻: 如同建築師的綜合工具箱，提供從測量到完工的所有必要工具和指南。
SMART 原則
解釋: 設定具體(Specific)、可測量(Measurable)、可達成(Achievable)、相關(Relevant)、有時限(Time-bound)的 AI 項目目標。
範例: 「在六個月內，將客服回應時間減少 30%」比「改善客戶體驗」更符合 SMART 原則。
比喻: 如同精確的 GPS 導航，提供明確目的地和到達時間，而非模糊的「往北走」指示。
POC (Proof of Concept)
解釋: 驗證 AI 解決方案可行性的小規模試驗項目。
範例: 在全面部署前，先用 1000 份歷史病例測試 AI 診斷系統的準確性。
比喻: 像是試駕新車，在購買前確認它能滿足需求並如預期運作。
風險登錄表 (Risk Register)
解釋: 記錄和跟踪 AI 項目潛在風險及其緩解策略的文檔。
範例: 銀行 AI 風險登錄表列出數據偏見、模型解釋性不足等風險，並配備相應監控和緩解措施。
比喻: 像是登山隊的風險清單，列出可能遇到的危險及應對方案，確保團隊做好充分準備。
技術成熟度評估 (Technology Readiness Level, TRL)
解釋: 評估 AI 技術就緒程度的九級量表，從基礎研究到成熟應用。
範例: 自動駕駛在受控環境中達到 TRL 6，但在複雜城市環境中仍處於 TRL 4。
比喻: 如同作物生長階段，從播種、發芽到最終收成，每個階段有特定的特徵和需求。
最小可行產品 (MVP)
解釋: 具備核心功能的初始 AI 解決方案版本，用於快速獲取用戶反饋。
範例: 推出僅能處理 10 種常見問題的客服聊天機器人，驗證用戶接受度後再擴展功能。
比喻: 像是建造房屋時先完成基本結構和一個房間，確認設計合適後再完成其餘部分。
A/B 測試 (A/B Testing)
解釋: 同時運行兩個或多個 AI 系統版本，比較性能以確定最佳選擇。
範例: 向 50% 用戶展示 AI 生成的產品描述，向另 50% 展示人工撰寫描述，比較轉化率。
比喻: 如同廚師讓食客品嚐兩種調味方法的菜餚，根據反饋決定正式菜單。
關鍵績效指標 (KPI)
解釋: 衡量 AI 系統成功程度的量化指標。
範例: 詐騙檢測 AI 的 KPI 包括誤報率、漏報率、處理時間和成本節約。
比喻: 像是汽車儀表板上的各種指標，全面監控系統運行狀況和表現。
技術債 (Technical Debt)
解釋: 指在軟體開發過程中，為了快速交付產品，而採用暫時的、次優的解決方案，導致後續維護成本增加。
比喻: 像是趕工蓋房子時偷工減料，雖然房子可以暫時住人，但長期下來會有安全隱患，未來可能要花更多時間和金錢來補救。
範例: 一家公司為了趕上市場需求，快速開發了一個 AI 聊天機器人，但沒有設計良好的 API 結構。結果，當產品需要擴展新功能時，程式碼難以修改，開發速度變慢，這就是技術債的影響。
其他相關術語 (Other Related Terms)
(以下術語較為專業、特定或屬於輔助技術，可視情況補充)
模糊邏輯 (Fuzzy Logic): 處理模糊、不精確信息的數學方法 (p.2)。
多代理系統 (Multi-Agent Systems, MAS): 多個智能代理互動解決問題的系統 (p.2)。
計算智能 (Computational Intelligence): 通過啟發式方法解決複雜問題的技術
(p.3)。
約束滿足問題 (Constraint Satisfaction Problems): 在限制條件下尋找解的 AI 問題 (p.3)。
神經符號系統 (Neuro-Symbolic Systems): 結合神經網絡學習和符號推理的系統
(p.3)。
對抗性攻擊 (Adversarial Attacks): 使模型產生錯誤預測的微小輸入擾動
(p.12)。
殘差網路 (ResNet): 使用跳接連結的深度網路架構 (p.12)。
密集連接網路 (DenseNet): 每層與其後所有層直接相連的網路架構
(p.12)。
電腦視覺 (Computer Vision, CV): 讓計算機理解視覺信息的領域 (p.18)。
YOLO (You Only Look Once): 快速物體檢測算法 (p.18)。
Mask R-CNN: 精確實例分割算法 (p.18)。
圖像分割 (Image Segmentation): 將圖像劃分為不同區域的技術 (p.19)。
圖像超解析度 (Image Super-Resolution): 提高圖像解析度的技術 (p.19)。
光學字符識別 (OCR): 從圖像提取文字的技術 (p.19)。
人臉辨識 (Face Recognition): 識別或驗證人臉身份的技術 (p.19)。
姿態估計 (Pose Estimation): 檢測人體或物體姿態的技術 (p.19)。
3D 重建 (3D Reconstruction): 從 2D 圖像重建 3D 模型的技術 (p.20)。
點雲處理 (Point Cloud Processing): 處理 3D 點集合表示的數據 (p.20)。
全景分割 (Panoptic Segmentation): 統一實例分割和語義分割的技術 (p.20)。
深度估計 (Depth Estimation): 從 2D 圖像預測場景深度的技術 (p.20)。
光流 (Optical Flow): 計算視頻幀之間像素移動的技術
(p.20).
視覺問答 (Visual Question Answering, VQA): 回答關於圖像內容問題的任務 (p.20)。
動作識別 (Action Recognition): 識別視頻中動作的技術 (p.20)。
視頻分析 (Video Analysis): 從視頻提取信息的技術集合 (p.20)。
異常檢測 (Anomaly Detection): 識別不符合預期模式數據的技術 (p.21)。
無監督視覺表示學習 (Unsupervised Visual Representation Learning): 不用標註學習圖像特徵的技術 (p.21)。
自然語言處理 (NLP): 讓計算機處理人類語言的領域 (p.21)。
命名實體識別 (NER): 識別文本中特定實體的過程 (p.21)。
機器翻譯 (Machine Translation): 自動翻譯語言的技術 (p.21)。
文本摘要 (Text Summarization): 自動生成文本摘要的技術 (p.22)。
詞嵌入 (Word Embeddings, e.g., Word2Vec, GloVe): 將詞語表示為向量的技術 (p.22)。
情感分析 (Sentiment Analysis): 分析文本情感傾向的技術 (p.22)。
文本蘊含 (Textual Entailment): 判斷一段文本是否能推導出另一段文本的技術
(p.22)。
問答系統 (QA Systems): 自動回答問題的系統 (p.23)。
語音辨識 (Speech Recognition, e.g., Whisper): 將口語轉為文本的技術 (p.23)。
文本糾錯 (Text Correction): 自動修正文本錯誤的技術 (p.23)。
指代消解 (Coreference Resolution): 識別文本中指向同一實體的表達 (p.23)。
語義角色標註 (Semantic Role Labeling): 標識句子成分語義角色的技術 (p.23)。
語言模型評估 (Language Model Evaluation): 測量語言模型性能的方法 (p.23)。
句法分析 (Syntactic Parsing): 分析句子語法結構的過程 (p.23)。
對話系統 (Dialogue Systems): 與人類進行多輪對話的 AI 系統 (p.24)。
多語言處理 (Multilingual Processing): 同時處理多種語言的技術 (p.24)。
對話狀態跟蹤 (Dialogue State Tracking): 在對話中跟蹤用戶目標和需求的技術
(p.24)。
Apache Hadoop: 分佈式處理大數據集的開源框架 (p.28)。
Apache Spark: 快速通用的分佈式計算引擎 (p.28)。
即時串流處理 (Real-time Stream Processing, e.g., Kafka, Flink): 實時處理數據流的技術 (p.28)。
AI 權利 (AI Rights): 關於 AI 系統可能擁有的法律和道德權利的討論 (p.30)。
物聯網裝置 (IoT Devices): 連接到網絡並生成數據的智能設備
(p.32)。
雲計算 (Cloud Computing): 通過網絡提供計算服務 (p.39)。
雲原生 (Cloud Native): 為雲環境設計和優化的架構 (p.39)。
容器化 (Containerization): 將應用程序打包成標準化單元的技術
(p.39)。
無服務器計算 (Serverless Computing): 開發者專注代碼，平台自動管理基礎設施的雲模型 (p.40)。
微服務架構 (Microservices Architecture): 將應用分解為小型獨立服務的設計方法
(p.40)。
分佈式訓練 (Distributed Training): 在多台機器上並行訓練 AI 模型的技術 (p.40)。
平行計算 (Parallel Computing): 同時使用多個處理單元解決問題的技術
(p.40)。
區塊鏈 (Blockchain): 分佈式、不可篡改的數字賬本技術
(p.40)。
邊緣運算 (Edge Computing): 在數據源附近處理數據的方法 (p.40)。
數位孿生 (Digital Twin): 物理實體或系統的數字複製品 (p.41)。
量子機器學習 (Quantum Machine Learning): 結合量子計算和 ML 的新興領域 (p.41)。
機器人流程自動化 (Robotic Process Automation, RPA): 使用軟件機器人自動執行重複任務的技術
(p.41)。
可演化硬件 (Evolvable Hardware): 能自我調整和重構的硬件系統 (p.41)。
計算社會科學 (Computational Social Science): 使用計算方法分析社會現象的跨學科領域
(p.42)。
零信任架構 (Zero-Trust Architecture, ZTA): 「永不信任，始終驗證」的網絡安全模型
(p.52)。
