| 傑出思維範例演練(1) |
- 主題：精準厘清泛化需求，調整模型參數，追求最優化。
- 說明：泛化是大模型的基本能力，但會導致效率下降。企業訓練師應針對實際應用刪減不必要的泛化功能、結構與訓練資料，以提升效能。
|
|
| 傑出思維範例演練(2) |
- 主題：家貓搭配野貓。貓丁興旺，企業興隆，財源廣闊。
- 說明：訓練自己的家貓(小模型)，搭配外來的野貓(大模型)。貓丁興旺，企業興隆。活用企業專家經驗，來對外來野貓強大知識力，進行有效的〈去蕪存菁〉剪枝之後，才是企業最值得信賴的知識力，最能提供客戶〈比你更懂你〉的服務效能。
|
|
| 傑出思維範例演練(3) |
- 主題：優化人機的協作模式。建立<人，AI，IT>的三合。
- 說明：鑒於近年來LLM的發展，AI愈來愈善解人意，但是行為卻更加幻覺。於是，我們可以把機器(電腦)的任務分為三項： (1) 與人體貼互動、(2) 正確工作行為、(3) 關鍵重要決策。其中的第1項任務可由AI來打前鋒。而第2項任務則由傳統IT打前鋒搭配AI輔助。 至於攸關法律責任(或人命關天)的重要決策，則交給人類來主導&裁決。
|
|
| 傑出思維範例演練(4) |
- 主題：熟悉微調的訓練機制，並搭配GPU性能優化策略。
- 說明：熟悉LoRA微調三步驟：
Step-1：觀察&測試原模型(如Gemma)的input和output格式
Step-2：準備Training data，建立自己的Dataset類別，並拿原模型測試訓練。
Step-3：將LoRA外掛到原模型(如Gemma)，並進行協同訓練及測試。
|
|
| 傑出思維範例演練(5) |
- 主題：區分AI模型裡的可觀察空間與潛藏(Latent)空間。
- 說明：力求發揮潛藏空間的三項特質是：架構通用性、內涵復用性、模塊組裝性。這個架構如同一棵大樹的主幹，向上支援枝葉(即可觀察空間)的新陳代謝，又能支持根部(如底層GPU晶片)的成長，因而創造了整體生生不息的有機次序(Organic Order)。例如，當底層晶片層更改時，它不會影響可觀察層，能大幅降低AI晶片開發的風險。
|
|
| 傑出思維範例演練(6) |
- 主題：避免掉入把AI模型應用於<果-果>推論的陷阱裡。
- 說明：許多人們常常掉入把AI模型應用於<果果>推論的陷阱裡。 這在各行業裡都要留意：所有呈現的數據幾乎都是現象的<果>。 而這些現象的真實的<因>並沒有呈現於大數據裡。因而一般人常常只關心數據的<真>與<假>。 而沒有深入探索出關於<因>的潛藏數據。例如，Apple Watch是一個成功的AI商業案例。
|
|
| 傑出思維範例演練(7) |
- 主題：活用LLM來優化人機介面，拉近科技與人的距離。
- 說明：凡是有科學技術或美學設計來顯著拉近人與電腦之間的距離時，都會帶來巨大的商業效益。 例如，15年前，從平板+觸控筆操作，改進到手機+手指滑動操作，又帶給主導企業可觀的收益。 如今，從輸入關鍵字查詢，又推進到LLM的文字(語音)輸入和交互，也將帶給有關企業巨大的商業利益。
|
|
| 傑出思維範例演練(8) |
- 主題：Gen AI不僅能生成作品，也能生成樣本(Samples)。
- 說明：例如，擅用基因醫學的GWAS分析，以及IC晶片設計的龐大特徵(Features)數來生成樣本(樣本)， 做為決策式AI模型的訓練數據，既能節省成本又提升AI訓練的效果。 無論是醫療方案、IC晶片設計、無人機作戰、企業投資等決策都有巨大商業意義。
|
|
課程介紹
課程目標
課程特色
課程安排
主講老師