生成式AI入門難？解鎖亞馬遜云科技生成式AI詞匯表掌握核心知識點

亞馬遜云科技一直致力于推進生成式AI普惠化，以降低AI/ML門檻，助力千行百業，充分釋放生成式AI潛力，加速數智轉型與創新。接下來分享由亞馬遜云科技高級開發技術推廣工程師Brooke Jamieson整理總結的生成式AI詞匯表的N-Z部分內容！

N：代表神經網絡（Neural Network）

神經網絡是人工智能對于人類大腦處理信息過程的一種模仿，通過每層或者說“神經元”中的關聯節點對數據進行學習，并隨著時間推移不斷提升性能。神經網絡使得計算機可以處理像圖像和文字解讀等復雜的任務，所以它在圖像識別、語音轉換文本、自然語言處理、以及個性化推薦等服務的實現中至關重要。神經網絡可以學習并模仿輸入輸出數據間復雜且非線性的關系。

O：代表基礎模型優化（Optimization）

在AI/ML中，優化意味著通過調整超參數對模型進行微調以提高性能。這些超參數屬于外部配置變量，例如神經網絡中的節點數量或學習率等超參數在模型訓練開始之前就已設定。使用貝葉斯優化或網格搜索等方法尋找這些超參數的最優值稱為超參數調優，此過程可以確保模型獲得最優結果和精確度。

P：代表提示工程（Prompt Engineering）

提示工程（Prompt Engineering）是設計和精煉提示或輸入激勵以引導大型語言模型生成特定輸出的過程。這涉及謹慎選擇關鍵字，提供上下文，以及在構建輸入時，對模型要有具體的引導以使其產生期望的回復。無需通過微調復雜定制，通過提示工程即可控制模型的風格，語調和專業知識。在提示工程上預先投入精力，即便在未知數據或數據有限的情況下，模型生成也能表現良好。

Q：代表量化（Quantisation）

通常來說，量化涉及將連續值轉化為離散值。連續值是你可以測量的東西，并且可以在一定區間內取任何值（例如，溫度值可以是26.31°），離散值則是孤立的點集（例如，海灘上的可卡犬的數量）。在機器學習的背景下，量化在神經網絡中發揮作用，此時它表示將權重和激活轉換為低精度值。這是一個重要的轉換過程，特別是如果模型需要在內存有限的設備上運行，因為它可以幫助減少神經網絡的內存要求、功耗和延遲。

R：代表負責任的人工智能（Responsibility）

AI中的責任是指在AI模型的開發和應用中持有的認知和道德原則，專注于公平性、有害性、真實性、隱私和知識產權等原則。生成式AI的復雜性（可以生成一系列內容）在定義和執行道德原則上提出了特殊的挑戰。開發負責任的AI的策略包括謹慎輸入訓練數據、開發防護模型以過濾不必要的內容，以及在各個領域持續合作以確保AI系統對所有用戶都具備創新性、可靠性并尊重隱私。

S：代表Amazon SageMaker

Amazon SageMaker是亞馬遜云科技提供的一項全面托管的機器學習服務，使數據科學家和開發者能夠輕松構建、訓練和部署ML模型。它提供了一個集成的Jupyter Notebook，用于數據探索、分析和模型開發，而無需管理服務器。SageMaker還提供優化算法，并支持自定義框架，使其成為機器學習任務的靈活且可擴展的解決方案。

T：代表Transformers模型

Transformers是一項在2017年的研究論文《注意力是你所需要的一切》（Attention Is All You Need）中提出的顛覆性技術。Transformer架構是矩陣計算和神經網絡的結合，其關鍵能力是將“注意力機制”應用到輸入數據的相關部分。Transformers允許語言模型并行處理數據，并考慮句子的整個語境，而不僅僅是最后幾個詞。這些特性使Transformers能有效處理大量數據，對推動生成式AI的發展起到了關鍵作用，并形成了能執行復雜任務的大型語言模型的基礎。

U：代表無監督學習（Unsupervised Learning）

無監督學習是一種在無標簽數據上訓練的算法，輸出時也沒有對應的標簽。它可以用于自主發現數據中的隱藏模式、關系和結構，且沒有給定的目標值。應用包括將類似的內容進行聚類，如將新聞文章分類，或檢測網絡流量中的異常，即可能存在的安全漏洞。無監督學習就像我去往一個新的城市，在沒有地圖指引的情況下，我會自己探索，找出地標、布局和城市中的商店模式，自主地進行探索。

相反，有監督學習是在有標記的數據上進行訓練，同時提供輸入和對應的輸出。模型通過理解輸入和期望輸出之間的關系來進行預測或決策。例如，利用樓盤位置和房間數量等特征來預測房屋價格，或從標記過的數字圖像中識別手寫數字。有監督學習就像對著參考答案做作業一樣——問題（輸入數據）和答案（輸出標簽）都已提供，所以你可以通過看問題和答案來學習。一旦一個模型（或者說學生）經過有監督學習訓練，他們可以對新的未見過的數據做出預測，就像在考試中考到類似的題目一樣。

V：代表向量數據庫（Vector Databases）

向量數據庫是一種專用數據庫，支持存儲和檢索代表各種類型數據的高維向量。它可以用于在N維空間中有效和快速地查找最近鄰，因此對于語義搜索、向量搜索和多模態搜索等任務非常有用。向量數據庫在生成式AI應用的背后起著關鍵作用，因為它們可以支持定制語言模型，提高準確性，并為對話式搜索或根據文本提示生成圖像等獨特的用戶體驗提供基礎。

W：代表模型權重（Weights）

權重是神經網絡中使用的數值，用于確定神經元之間連接的強度，特別是在像在2017年的研究論文《注意力是你所需要的一切》（Attention Is All You Need）中提出的Transformer這樣的系統中。這些權重在注意力機制中起著關鍵作用，因為它們可以讓網絡專注于輸入的特定部分，使模型能夠生成更具上下文相關性的輸出。你可以把權重看作是在訓練過程中進行微調的參數，幫助模型理解和處理數據中的復雜關系和模式。

X：代表可解釋AI（XAI）

可解釋的人工智能（通常簡稱為XAI）對于建立對AI系統的信任和信心至關重要，特別是當AI做出的決策可能產生重大后果時?？山忉?span class="keyword">性有兩個關鍵方面：可詮釋性和可解釋性?？稍忈?span class="keyword">性意味著理解AI模型的內部工作機制，如權重和特征，以理解如何生成預測及其原因。另一方面，可解釋性使用與模型無關的方法來用人類的語言描述AI模型的行為，即使對于“黑箱”模型也是如此。一個模型注重可詮釋性還是可解釋性，取決于具體的使用案例、數據類型和業務需求，這可能涉及在實現高性能和保持解釋模型行為的能力之間進行權衡。

Y：代表你可以在亞馬遜云科技構建這一切

（You Can Build on Amazon Web Services）

25年以來，亞馬遜一直致力于開發人工智能和機器學習技術，許多開發者選擇在亞馬遜云科技構建、訓練和部署他們的AI/ML模型都不是偶然。

Z：代表零樣本學習（Zero-Shot Learning）

零樣本學習是一種機器學習技術，這種技術可以讓模型對在訓練階段未見過的數據進行預測或分類。這個概念利用向量將輸入（例如文本或視頻）映射到一個語義空間，在這個空間中，意義被聚集起來。在這里，模型可以基于接近已知概念的程度，通過分析向量之間的距離，在語義空間中進行分類或預測。零樣本學習對自然語言處理（NLP）等領域非常有用，它提供了靈活性，擴展了如Transformers和基礎模型等預訓練模型的應用。