iPAS 初級術語
查中文、英文或縮寫，找到定義、範例與相關考點。
- 人工智慧 Artificial Intelligence 人工智慧是模擬人類認知能力的電腦技術，透過機器學習與深度學習讓系統能自主學習與決策
- 人工智慧倫理 AI Ethics 人工智慧倫理旨在探討並解決AI系統開發、部署和使用過程中涉及的道德、法律和社會問題，確保AI的發展符合人類價值觀。
- 大型語言模型 Large Language Model 大型語言模型是以大量文字訓練的超大 Transformer 模型，擅長理解並生成自然語言
- 大數據 Big Data 大數據指規模龐大、速度快速且多樣化的資料集合，傳統資料處理工具難以有效處理，需要專門的技術與架構來儲存、分析與應用
- 公平性 Fairness AI 公平性要求模型對不同族群的決策結果無系統性歧視，需透過資料平衡與演算法設計確保一致待遇，是負責任 AI 的核心原則。
- 半監督學習 Semi-supervised Learning 半監督學習是一種機器學習方法，它結合了少量標記資料和大量未標記資料進行模型訓練，旨在利用未標記資料提升模型效能，降低標記成本。
- 生成式 AI Generative AI 生成式 AI 是能夠產生新內容（文字、圖像、音訊、程式碼等）的人工智慧系統，基於學習大量訓練資料的分佈特徵來生成符合語境的輸出
- 多模態學習 Multimodal Learning 多模態學習是一種機器學習方法，旨在從多種不同類型（模態）的資料中學習，例如圖像、文字和音訊，以提升模型效能。
- 成本效益分析 Cost-Benefit Analysis 成本效益分析是評估 AI 專案投資回報的方法，計算直接節省成本加上間接效益後，扣除導入與維運成本，以判斷專案是否值得執行
- 低程式碼 Low Code 低程式碼平台讓使用者透過視覺化拖拉介面快速開發應用，大幅降低軟體開發的技術門檻與時間成本
- 非監督式學習 Unsupervised Learning 非監督式學習是機器學習方法，讓模型在沒有標籤的輸入資料中，自行探索隱藏的結構與模式
- 特徵工程 Feature Engineering 特徵工程透過創建、轉換與選擇原始資料的代表性特徵，顯著提升機器學習模型的預測效果
- 強化學習 Reinforcement Learning 強化學習是一種讓 AI 透過與環境互動，從獎勵和懲罰中學習，進而找到最佳行動策略的方法
- 深度學習 Deep Learning 深度學習是一種機器學習方法，透過多層神經網路自動從原始資料中提取階層特徵，解決複雜問題。
- 提示工程 Prompt Engineering 提示工程是設計與優化輸入給 AI 模型的指令，以引導模型產生更準確、符合需求的回應
- 資料隱私 Data Privacy 資料隱私是指保護個人資訊不被未授權存取、蒐集或濫用的原則與實踐，在 AI 系統中需遵循 PDPA 等法規要求
- 電腦視覺 Computer Vision 電腦視覺（Computer Vision）讓 AI 從圖像與影片中辨識物件、文字、人臉，廣泛用於自駕車、人臉辨識、醫療影像分析、工廠瑕疵檢測。
- 監督式學習 Supervised Learning 監督式學習是一種 AI 方法，透過提供帶有正確標籤的輸入資料，訓練模型學習預測新資料的標籤
- 語音辨識 Speech Recognition 語音辨識是一種將人類語音轉換為機器可理解的文字或指令的技術，使電腦能夠聽懂並處理人類語言。
- 模型部署 Model Deployment 模型部署是指將訓練完成的機器學習模型整合到實際應用環境中，使其能夠接收輸入數據並產生預測結果，為業務決策提供支援。
- 模型登錄庫 Model Registry 模型登錄庫是集中管理 AI 模型版本、追蹤訓練紀錄與部署狀態的系統，如同模型的戶籍系統
- 機器學習 Machine Learning 機器學習讓電腦透過分析大量資料自動找出規律，無需明確程式指令即可完成預測與分類任務
- 檢索增強生成 Retrieval-Augmented Generation RAG（檢索增強生成）讓 AI 回答問題前先查詢外部知識庫，再結合查到的資料生成答案，大幅減少幻覺、提升回答準確性。
- AI 代理 AI Agent AI 代理是能自主規劃、執行任務並運用工具的 AI 系統，它不只回答問題，更能實際採取行動
- AI治理 AI Governance AI治理是指建立一套框架和流程，以確保AI系統的開發和使用符合倫理、法律和社會價值觀。