人工智慧 (AI) 模型是以大型資料集訓練而成的電腦程式或演算法。這個訓練程序可讓 AI 模型學習資料中的模式和關係,進而針對未曾接收過的新資料做出預測或決定。
舉例來說,假設您要教孩子辨識不同種類的動物,您可能會向孩子展示貓、狗、鳥和魚的圖像,並指出個別動物的名稱。久而久之,孩子就能學會自行辨識這些動物,即便是從未見過的貓狗也沒問題。AI 模型的運作方式與此相似。
AI 模型的設計大致參考人類的思考方式,模擬我們的學習、推理和決定能力。不過,AI 模型與人類不同,可以處理大量資料,並找出人類可能會錯過的細微模式。因此,AI 模型特別適合處理需要分析複雜資料集的困難問題。相較於傳統方法,AI 模型能夠提供更有效率且準確的解決方案。
想探索我們的模型嗎?新客戶最多可以獲得價值 $300 美元的免費抵免額,盡情體驗 Vertex AI 和其他 Google Cloud 產品。
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:
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:
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。
Vertex AI 是 Google Cloud 的整合式機器學習平台,可讓您建立、訓練及部署 AI 模型,無須管理基礎架構。Vertex AI 提供全方位的工具與服務套件,可協助您完成 AI 模型開發生命週期的各個階段。這個優質平台提供容易使用的介面、預先建立的演算法和強大的運算資源,適合用來開發及部署 AI 模型。