搜尋結果
2024年2月26日 · 首頁 Blog. AI 人工智慧 / 其他. 為什麼要用 RAG？ 不用微調模型就能低成本讓 LLM 理解專業知識的 AI 技術. 發佈日期: 2024 年 2 月 26 日 作者: Matt Yu. 內容目錄. 什麼是 RAG？ 跟模型微調有什麼差別？ 快速掌握 LLM 應用全局觀. 何時要使用 RAG？ 何時要使用模型微調？ RAG 發展趨勢：科技巨頭爭相投入，相關產品遍地開花. 在使用 ChatGPT、Gemini 等奠基於大型語言模型（Large Language Models，以下簡稱 LLMs）的人工智慧服務時，很常會遇到一個問題就是：請它們提供與特定專業領域相關的資訊，往往只能獲得極為空泛、甚至是充滿幻覺（hallucination）的回覆。
2023年4月2日 · 從基本技能到資深專業，了解如何成為成功的前端工程師並在職業生涯中茁壯成長。 前端開發技能樹. 基本技能： HTML：熟悉 HTML 語法和標籤，能夠建立結構化的網頁。 CSS：熟悉 CSS，能夠設計RWD布局，掌握 Flexbox 和 Grid 等布局技術。 JavaScript：熟悉 JavaScript語法、概念及最佳實踐. 框架和函式庫： React.js：掌握 React 及其生態圈，了解虛擬 DOM、模組化和狀態管理等概念。 開發工具和技術： 版本控制：熟悉 Git 和 GitHub，能夠進行分支管理、合併和衝突解決。 打包工具：熟悉 Webpack 等打包工具，了解模組化開發。 預處理器：熟悉 Sass、Less 或 Stylus 等 CSS 預處理器。
2023年11月8日 · 首頁 » Blog » 《RISE-UP 科技人才升級週報》#14：你有聽過 Scrumfall 開發法嗎？ ｜Netflix 用機器學習讓小編更快找到影片素材 Hi 讀者， 相信大家都很關心 OpenAI 第一次的 DevDay 內容和各種技術細節，除了直接看影片和文件，我們也很推薦大家可以從別的角度來分析這次的發表會，例如 Ben Thompson 寫的〈The ...
- 資料科學是門新學問
- 資料科學會計算出最好的結果
- 資料科學會幫我改善產品
- 使用大數據的解決方案比較好
- 三個月內速成資料科學家
- 小結
資料科學應該算是所謂的噱頭詞（Buzzword）。一門新學問、新領域應該要創造新的知識、新實作方法或是新應用面。然而資料科學與「雲端運算」、「物聯網」和「使用者經驗」一樣，並沒有改變相關學術與產業的知識、方法或應用面，而只是把特定的產品、技能和族群納入一模糊的概念之中。 噱頭詞的用途在於炒作特定的產品或技術，這本身並非甚麼壞事。但一旦大家把噱頭詞當作專業領域討論，我們很容易把自己限制於特定做事的方法，而在沒有足夠的專業知識的情況下，這些方法常常被誤用。打個比方，迷信雲端使我們相信把東西丟到伺服器上就一定比單機運算有效；迷信物聯網，使我們創造太多不必要的內嵌式系統裝置，而低估了一般電腦與平板的運算能力；迷信使用者經驗，常常使人懶惰，在不下功夫研習設計、心理學和產業知識前就草草把樣品丟給使用者測...
過去一兩年創業界有個現象，那就是新創公司很喜歡說：「自己的產品能用機器學習去解決問題。」 不，機器學習並不是一個解決方案，他只是一種解決問題的方法。而當新創公司沒有大量的資料時，機器學習是個非常糟糕的選擇。 我相信你一定有用過蘋果的 Siri、Google Now 或是微軟手機和 Xbox 的 Cortana 吧？這些平台的語音辨識系統至少吃下了數以TB計的英語語音資料，而即便如此，語音辨識仍然錯誤百出。 我們應該以此為鑑，在考慮使用機器學習的時候就要想到機器學習產生的模型就算有大量資料常常都還有很大進步的空間。 對此，我們應該謹記兩點：第一點較哲學，那就是機器學習的用意在於模擬人類的分類和預測能力，如果你的團隊本身就沒有相關產業的工作經驗，機器學習絕對不會幫你找到答案。第二點則是應用面問題...
上段我們討論到資料科學並非魔術，而跟多數科學與藝術一樣，資料科學的「眼界」受限於你使用的資料和方法。正如你今天帶著單色眼鏡到處跑，你絕對不會看到「藍色」；資料科學也一樣，能找到甚麼取決於你設計的系統帶上甚麼樣的眼鏡。 在資料科學（或應該說是機器學習）中，這種限制可稱為監督（supervision）。簡單地說，監督式學習（supervised learning）就是尋找特定形式的答案。比如說在使用迴歸分析，你在找能解釋資料趨勢的方程式，而在使用樹狀決策時，你希望能夠產生一樹狀圖來形容決策的許多可能路線。其他的限制可能是變數選擇（variable selection），也有可能是單純的取樣偏差（sample collection bias）。 打個簡單的比方，若你今天去蒐集許多人的手機型號和身高...
話不能這麼說。 在商業上，一解決方案的好壞與否取決於其解決問題的全面性和效率。而說到商業問題，大數據只是在建置軟體平台的方法上做改進，並不會直接影響商業問題的解決方式。 大數據恰如其名，是一系列能將大量資料分散儲存並平行處理的技術，因傳統的單伺服器資料儲存和處理技術已無法滿足高容量和高流量的大型網路公司哥吉拉級資料量。現在的大型網站已經從過去總共幾TB的資料成長至每日至少數TB的資料。唯有將資料量和處理時間分配給數個伺服器節點（甚至上百、上千個伺服器），才能夠滿足資料處理需求。 因此，就算非常乏味的資料處理工作（如計算平均數）若資料量大到PB（約一千TB）等級那都可能需要用到大數據。相對地，一複雜的線性代數運算若資料量不到TB，不用大數據也能輕鬆解決。 所以說，並沒有用大數據建置的解決方案就...
如前所述，資料科學的概念相當模糊，實際上其涉獵的領域是多個截然不同的專業領域，各個領域都需要長時間的訓練和產業知識方能培育。 不管是大數據還是機器學習，在語音辨識、自然語言、DNA 排序、因果網路、航線最佳化等不同產業的應用上都有不同的資料儲存需求、運算時間配置需求以及平行化演算法設計需求。 過去，資料庫管理、資訊科學、資訊工程、統計學等都需針對特定產業的需求進行專業化，資料科學亦然。今天，一位只懂得 K-means、 Logistic 迴歸分析法的資料科學家，並不比一位統計學新生在產業界中更具有競爭力。 一位好統計學家、資料庫管理員、資訊科學家所需的訓練和經驗，過去三個月培育不出的，不會因為噱頭詞改了突然生出一堆資料科學家。
本文的用意不在於批評資料科學的實用性，資料科學涉獵的專業在今天的科技業非常重要。我本身是資訊科學出身，我的工作幾乎每天都會碰到機器學習和資料儲存問題。但是，在許多情況下，一個設計得當的演算法的實用性和效率遠超過用資料訓練出來的模型。 我了解很多人認為叫機器用資料去搞出解決方案聽起來很酷，但是這種作法其實是脫褲子放屁，因為若問題本身就沒有未知數，那機率早就變成純邏輯了。換句話說，如果你已經知道如何解決問題，那為什麼還要強迫用資料科學去猜呢？ 最後，我們應該謹記：資料科學的目標其實就是在猜，也就是在模擬決策模型。而資料科學的效益絕對取決於團隊的產業專業與經驗，才能為資料科學決定合宜的目標、變數以及資料採集方法。 對於資料科學的主題，如果你有什麼看法或問題，歡迎在下面留言交流！ Photo Cre...
這次邀請到來自產品開發、專案管理、數據分析等專業工作者，分享他們的職涯歷程，期望幫助大家充分了解，學程式有更多元的職涯發展！. ALPHA Camp 社群裡的人才在不同領域裡各有專精，也有不同職涯階段的經歷和思維能學習。. 【AC 充電站】提供社群成員 ...
千禧世代，工作到 6、70 歲都很正常，即使 30 歲轉換跑道，後面還有 30 年要工作，這並不是什麼太大的問題。 事實上我很鼓勵 30 歲以前的人，盡量去轉換跑道。
從零開始學會網頁開發，讓遠距工作成為現實. 遠距工作的夢. 開始學程式的起心動念，是因為我的興趣， 衝浪 。 這可能聽起來有點荒謬，不過是真的，我需要一個不用待在固定地點就能工作的職位，讓我可以早上衝完浪，吃個早餐就可以開始工作啦。 於是我大概找了一下可以遠距工作的職位，發現大概有幾種類別：文字工作者、攝影工作者、藝術工作者、程式設計師…等等，總之我只有學過程式，覺得不排斥，還算有點興趣，不然就學學看吧。 但是…程式設計師那麼多種，到底要學什麼？ 怎麼學？
