什麼是 AI 模型？

請務必瞭解，AI、機器學習和深度學習雖然不是完全相同的概念，但相互關聯。以下詳細說明重要差異：

• AI 模型的涵蓋範圍相當廣，包含機器學習和深度學習模型，以及規則型系統、專家系統等其他技術。能夠展現智慧行為的模型都屬於這個類別。  
• 機器學習模型是 AI 模型中的一部分，會使用統計學方法從資料中學習，而不需要明確的程式設計。這類模型可以運用多種技術，包括但不限於類神經網路。  
• 深度學習模型是機器學習模型中更為專業化的一部分，會使用多層式人工類神經網路從資料中學習，非常適合用於圖像和語音辨識等複雜工作。

您必須訓練、測試、部署 AI 模型並持續評估，確保模型成效卓越。這個過程就像教孩子騎自行車一樣。您會先示範怎麼騎 (訓練)，再讓他們練習 (測試)，最後他們就能獨立上路 (部署)。不過，您偶爾也需要檢驗他們，確保騎自行車時仍能安全無虞 (評估)。

訓練 AI 模型時通常會提供大量資料，讓模型從中學習模式。所用資料的類型取決於模型訓練的目標工作。舉例來說，假設訓練模型的目的是辨識圖像中有沒有鞋子，那模型就會接收標示為有或沒有鞋子的圖像資料集。經過訓練及學習之後，模型就能分辨圖像中有或沒有鞋子。

AI 模型需要持續訓練，過程中包含下列幾個重要步驟：

1. 資料準備：包括收集、清理、加上標籤、轉換，以及從資料中設定特徵。這個步驟相當關鍵，會影響模型的成效、擴充性和成本效益。
2. 模型選取：選取合適的 AI 模型時，請考量問題類型、資料特性、模型複雜程度，以及是否需要解釋。另外，您需要考量如何避免模型出現配適不足 (過於簡單) 或過度配適 (過於複雜) 的情形。
3. 模型訓練：將準備好的資料提供給所選模型並調整參數，盡可能減少錯誤並提高準確率。
4. 超參數調整：調整用於控管學習程序的設定，找出最佳設定，藉此取得最佳成效，在偏誤與變異之間取捨。

模型訓練完畢之後，應以未曾使用的獨立資料集進行測試，藉此評估模型處理新資料的成效並找出潛在問題，就像正式考試前的模擬考。

模型經過測試及驗證之後，即可供使用，可能包括整合至應用程式、網站或業務流程。這就像是您終於允許孩子騎自行車，而不需要輔助輪。

即便模型已上線，仍然需要持續檢驗成效並視需求調整，當中可能包含監控模型的準確率、效率和公平性。就像監督孩子騎自行車一樣，您需要確保模型仍能安全地發揮優異成效。

這通常也包含監控模型衰退、資料偏移等問題。模型衰退是指由於資料或環境有變，模型的成效隨著時間降低。資料偏移是指輸入資料的特性發生變化，這可能會影響模型準確率。

預先訓練的 AI 模型 (有時稱為基礎模型) 是已使用大量資料訓練過的 AI 模型。這些模型可讓開發人員省下大量時間與心力，因此經常做為新 AI 模型的建立基礎。

處理較常見的 AI 工作時，您可以選擇使用預先訓練模型，這樣就不必從頭建立模型。可以直接使用這些模型，也可以針對特定用途微調模型。如果您要執行的工作與預先訓練模型時使用的工作相似，則相較於從頭訓練新的模型，微調預先訓練模型通常較快也較輕鬆。

微調模型是以較小型的工作專屬資料集訓練預先訓練模型，提高模型的能力來滿足需求。不過，預先訓練模型可能也有一些缺點。這類模型可能不適用於所有工作，有時會因原始訓練資料而有偏誤。

您有時可能需要從頭訓練模型，才能達到所需的準確率和自訂程度。